[论文解读] Bi-Preference Learning Heterogeneous Hypergraph Networks for Session-based Recommendation

Xiaokun Zhang, Bo Xu+4 more|arXiv (Cornell University)|Nov 2, 2023

Recommender Systems and Techniques被引用 4

一句话总结

该论文提出BiPNet，一种新颖的会话级推荐模型，通过异质超图与三级卷积及多任务学习，联合建模用户兴趣与价格偏好。通过将物品ID、价格、类别和品牌整合至统一的超图结构中，BiPNet在真实世界数据集上实现了最先进性能，有效捕捉复杂用户意图。

ABSTRACT

Session-based recommendation intends to predict next purchased items based on anonymous behavior sequences. Numerous economic studies have revealed that item price is a key factor influencing user purchase decisions. Unfortunately, existing methods for session-based recommendation only aim at capturing user interest preference, while ignoring user price preference. Actually, there are primarily two challenges preventing us from accessing price preference. Firstly, the price preference is highly associated to various item features (i.e., category and brand), which asks us to mine price preference from heterogeneous information. Secondly, price preference and interest preference are interdependent and collectively determine user choice, necessitating that we jointly consider both price and interest preference for intent modeling. To handle above challenges, we propose a novel approach Bi-Preference Learning Heterogeneous Hypergraph Networks (BiPNet) for session-based recommendation. Specifically, the customized heterogeneous hypergraph networks with a triple-level convolution are devised to capture user price and interest preference from heterogeneous features of items. Besides, we develop a Bi-Preference Learning schema to explore mutual relations between price and interest preference and collectively learn these two preferences under the multi-task learning architecture. Extensive experiments on multiple public datasets confirm the superiority of BiPNet over competitive baselines. Additional research also supports the notion that the price is crucial for the task.

研究动机与目标

• 解决会话级推荐（SBR）中忽略用户价格偏好的空白，尽管价格偏好在购买决策中起着关键作用。
• 克服价格偏好建模的挑战，因其与类别、品牌等物品特征深度交织。
• 通过多任务学习框架捕捉用户兴趣与价格偏好的相互依赖关系，实现两者的联合学习。
• 设计一种可扩展且表达能力强的架构，将异质信息（ID、价格、类别、品牌）整合至单一超图结构中。
• 通过在真实世界数据集上进行广泛消融实验与分析，证明价格在SBR中的实际重要性。

提出的方法

• 构建定制化的异质超图，将物品ID、价格、类别和品牌作为不同类型的节点，通过超边捕捉共现与关系模式。
• 设计三级卷积机制，同时聚合超图中共现关系、同类型（同类）关系与跨类型（跨类）关系的信息。
• 在多任务学习框架内实现双偏好学习架构，联合优化兴趣与价格偏好预测。
• 在价格序列上应用自注意力机制，并引入可学习的注意力头数量，以捕捉长距离依赖与多样的价格偏好模式。
• 通过多任务学习建模价格与兴趣偏好之间的相互依赖关系，提升表征质量与意图对齐效果。
• 通过特征工程（如合并相似类别、剔除小众品牌）降低模型复杂度，同时保持性能不下降。

实验结果

研究问题

• RQ1 与仅建模兴趣的模型相比，引入用户价格偏好在多大程度上提升了会话级推荐性能？
• RQ2 如何在单一超图结构中有效建模异质信息（类别、品牌、价格、ID），以捕捉复杂用户偏好？
• RQ3 通过多任务学习联合建模价格与兴趣偏好，对用户意图预测准确率有何影响？
• RQ4 不同超参数设置（如注意力头数量、超图构建方式）如何影响在会话长度各异的数据集上的模型性能？
• RQ5 在真实世界的会话级推荐场景中，价格、类别与品牌对用户购买决策的相对贡献如何？

主要发现

• BiPNet在三个真实世界数据集（Grocery、Cosmetics、Toys）上均达到最先进性能，在召回率与精确率指标上均优于强基线模型。
• 在会话更长的数据集（如Cosmetics）上，性能显著提升，使用更多注意力头（16个）能更好地捕捉长距离价格偏好。
• 在会话较短的数据集（如Grocery与Toys）上，使用较少注意力头（8个）表现更优，表明模型容量应根据会话长度进行调优。
• 消融实验证实，引入品牌与价格信息显著提升了推荐准确率，验证了模型设计选择的有效性。
• 三级卷积机制有效捕捉了共现、同类型与跨类型关系，消融实验表明，若移除任一层次，性能均会下降。
• 复杂度分析表明，尽管集成了丰富特征，模型仍保持高效，时间复杂度受 $ O(n imes r imes (ar{N}_{id} + ar{N}_{p} + ar{N}_{c} + ar{N}_{b})) $ 限制，其中特征基数较低（如Grocery中价格等级 ≤5）。