[论文解读] BasConv: Aggregating Heterogeneous Interactions for Basket Recommendation with Graph Convolutional Neural Network

Zhiwei Liu, Mengting Wan+3 more|arXiv (Cornell University)|Jan 14, 2020

Recommender Systems and Techniques参考文献 20被引用 11

一句话总结

该论文提出 BasConv，一种图卷积神经网络框架，将购物篮推荐建模为在用户-购物篮-商品（UBI）图上的链接预测任务。通过为用户、购物篮和商品设计三种异构聚合器，BasConv 捕捉了高阶集体性与异构交互，实现在 Instacart 和 Walmart 数据集上的最先进性能，召回率、NDCG 和命中率均有显著提升。

ABSTRACT

Within-basket recommendation reduces the exploration time of users, where the user's intention of the basket matters. The intent of a shopping basket can be retrieved from both user-item collaborative filtering signals and multi-item correlations. By defining a basket entity to represent the basket intent, we can model this problem as a basket-item link prediction task in the User-Basket-Item~(UBI) graph. Previous work solves the problem by leveraging user-item interactions and item-item interactions simultaneously. However, collectivity and heterogeneity characteristics are hardly investigated before. Collectivity defines the semantics of each node which should be aggregated from both directly and indirectly connected neighbors. Heterogeneity comes from multi-type interactions as well as multi-type nodes in the UBI graph. To this end, we propose a new framework named extbf{BasConv}, which is based on the graph convolutional neural network. Our BasConv model has three types of aggregators specifically designed for three types of nodes. They collectively learn node embeddings from both neighborhood and high-order context. Additionally, the interactive layers in the aggregators can distinguish different types of interactions. Extensive experiments on two real-world datasets prove the effectiveness of BasConv. Our code is available online at https://github.com/JimLiu96/basConv.

研究动机与目标

• 为解决传统协同过滤中常被忽视的购物篮内意图建模挑战。
• 在统一图结构中同时建模用户-商品协同过滤信号与多商品相关性作为异构交互。
• 通过聚合 UBI 图中直接与间接邻居的信息，捕捉高阶集体性。
• 为用户、购物篮和商品节点设计专用聚合器，以保留节点类型特异性语义与交互异质性。
• 通过联合建模用户偏好、购物篮级语义与商品共现模式，提升推荐准确率。

提出的方法

• 构建用户-购物篮-商品（UBI）图，其中节点代表用户、购物篮和商品，边代表用户-购物篮、购物篮-商品及用户-商品的交互。
• 引入三种独立的聚合器——用户、购物篮和商品专用——每种均设计用于利用直接邻居与高阶上下文信息学习嵌入表示。
• 在每个聚合器中引入交互层，以区分并建模不同类型交互（如用户-购物篮与购物篮-商品）。
• 采用多层 GCN 架构，递归传播并聚合 UBI 图中的信息，捕捉长距离依赖关系。
• 应用预测层，计算购物篮与商品节点之间的链接得分，用于推荐排序。
• 在相同层中对同类型聚合器共享参数，以提升泛化能力并减少过拟合。

实验结果

研究问题

• RQ1 通过统一的 UBI 图建模购物篮意图，能否提升购物篮内推荐性能？
• RQ2 来自间接邻居的高阶集体性如何影响购物篮嵌入的质量？
• RQ3 针对不同节点类型（用户、购物篮、商品）设计的异构聚合器，在建模多样化交互模式方面有多大的提升作用？
• RQ4 不同数量的 GCN 层如何影响模型捕捉相关语义信号的能力，同时避免引入噪声？
• RQ5 该模型能否识别单个购物篮中的多种意图（如早餐与清洁），并据此进行推荐？

主要发现

• BasConv 在 Instacart 和 Walmart 数据集的所有指标上均达到最高性能，显著优于 BFM、Sceptre 和 Item2Vec 等强基线模型。
• 在 Instacart 数据集上，BasConv 使用三层 GCN 时，召回率为 0.2092，NDCG 为 0.2281，命中率为 0.7712，优于所有其他配置与基线模型。
• 在 Walmart 数据集上，BasConv 使用两层 GCN 时，召回率为 0.0530，NDCG 为 0.0841，命中率为 0.3394，表明在较低深度下达到最优性能。
• 与基线相比，该模型在训练数据量增加时表现出更快的性能提升，表明其具有更好的数据效率与可扩展性。
• 在一次真实世界案例研究中，BasConv 成功识别出双重意图（如早餐与清洁），并在前 7 个预测结果中推荐出 7 个真实标签商品中的 3 个，其余推荐结果亦具合理解释。
• 消融实验证实，异构聚合器与交互层的组合至关重要，移除任一组件均导致性能下降。