[论文解读] Basket Recommendation with Multi-Intent Translation Graph Neural Network

Zhiwei Liu, Xiaohan Li+4 more|arXiv (Cornell University)|Oct 22, 2020

Recommender Systems and Techniques参考文献 38被引用 4

一句话总结

本文提出 MITGNN，一种多意图翻译图神经网络，通过基于翻译的实体建模与图神经网络学习多种潜在意图，实现购物篮推荐。该方法在归纳设置与直推设置下均优于现有方法，能够捕捉跨购物篮的复杂多关系物品关联。

ABSTRACT

The problem of basket recommendation~(BR) is to recommend a ranking list of items to the current basket. Existing methods solve this problem by assuming the items within the same basket are correlated by one semantic relation, thus optimizing the item embeddings. However, this assumption breaks when there exist multiple intents within a basket. For example, assuming a basket contains \{ extit{bread, cereal, yogurt, soap, detergent}\} where \{ extit{bread, cereal, yogurt}\} are correlated through the "breakfast" intent, while \{ extit{soap, detergent}\} are of "cleaning" intent, ignoring multiple relations among the items spoils the ability of the model to learn the embeddings. To resolve this issue, it is required to discover the intents within the basket. However, retrieving a multi-intent pattern is rather challenging, as intents are latent within the basket. Additionally, intents within the basket may also be correlated. Moreover, discovering a multi-intent pattern requires modeling high-order interactions, as the intents across different baskets are also correlated. To this end, we propose a new framework named as extbf{M}ulti- extbf{I}ntent extbf{T}ranslation extbf{G}raph extbf{N}eural extbf{N}etwork~({ extbf{MITGNN}}). MITGNN models $T$ intents as tail entities translated from one corresponding basket embedding via $T$ relation vectors. The relation vectors are learned through multi-head aggregators to handle user and item information. Additionally, MITGNN propagates multiple intents across our defined basket graph to learn the embeddings of users and items by aggregating neighbors. Extensive experiments on two real-world datasets prove the effectiveness of our proposed model on both transductive and inductive BR. The code is available online at https://github.com/JimLiu96/MITGNN.

研究动机与目标

• 解决现有购物篮推荐模型假设购物篮内物品间仅存在单一语义关系的局限性。
• 建模复杂多意图模式，其中购物篮中的物品可能属于多个潜在意图（例如：早餐、清洁）。
• 通过用户定义的购物篮图传播多种意图，捕捉跨购物篮的高阶交互。
• 通过为未见购物篮训练专用聚合器，实现有效的归纳学习，提升泛化能力。
• 通过类型引导注意力机制，联合建模意图关系与用户-物品交互，提升推荐性能。

提出的方法

• 将每个购物篮视为头实体，通过翻译学习 T 个不同的意图向量作为尾实体：q_i = h + r_i，其中 r_i 为可学习的关系向量。
• 使用多头注意力机制将用户与物品信息聚合为关系向量，捕捉多样的语义关系。
• 构建购物篮图，其中节点代表购物篮，边代表共享物品或意图，实现购物篮间的消息传递。
• 应用多层图神经网络传播，聚合邻域信息，学习用户、物品与意图的丰富嵌入表示。
• 通过类型引导注意力机制，选择性地将隐藏意图聚合为用户引导与物品引导的购物篮嵌入，用于下游推荐。
• 采用对比学习目标端到端训练模型，同时优化意图发现与推荐性能。

实验结果

研究问题

• RQ1 与单一关系假设相比，建模购物篮内多个潜在意图是否能提升购物篮推荐性能？
• RQ2 跨购物篮的高阶交互如何影响所学意图与嵌入表示的质量？
• RQ3 在购物篮推荐背景下，GNN 架构的最优意图数与层数是多少？
• RQ4 所提出的 MITGNN 框架在测试购物篮未在训练中出现的归纳设置下是否具有良好泛化能力？
• RQ5 关系向量与注意力机制如何协同作用，以捕捉跨购物篮的互补与相关意图？

主要发现

• MITGNN 在两个真实世界数据集（Instacart 与 Walmart）上，于直推与归纳购物篮推荐任务中均达到最先进性能。
• 与单意图建模（T = 1）相比，建模多个意图（T > 1）显著提升性能，Instacart 上最优 T = 3，Walmart 上最优 T = 4。
• 模型在 L = 3 层时达到峰值性能，表明高阶消息传递可增强表征学习；但 L = 4 时因过平滑导致性能下降。
• 在 Walmart 数据上，归纳推荐性能高于直推推荐，因归纳设置下每个购物篮保留 87.5% 的真实物品，使预测更简单。
• MITGNN 显著优于强基线模型（如 Triple2Vec、BPR-MF 与 DREAM），尤其在归纳设置下，得益于其学习到的聚合器与多意图建模能力。
• 类型引导注意力机制有效捕捉用户与物品特定的意图模式，提升了用户与物品嵌入的质量。