[论文解读] Bundle Recommendation with Graph Convolutional Networks

Jianxin Chang, Chen Gao+3 more|arXiv (Cornell University)|May 7, 2020

Recommender Systems and Techniques参考文献 9被引用 15

一句话总结

本文提出BGCN，一种图卷积网络，通过将用户-合集-物品交互建模为异质图来改进合集推荐。通过利用物品级和合集级传播，以及硬负采样，BGCN在两个真实世界数据集上实现了最先进性能，相比先前方法提升10.77%至23.18%。

ABSTRACT

Bundle recommendation aims to recommend a bundle of items for a user to consume as a whole. Existing solutions integrate user-item interaction modeling into bundle recommendation by sharing model parameters or learning in a multi-task manner, which cannot explicitly model the affiliation between items and bundles, and fail to explore the decision-making when a user chooses bundles. In this work, we propose a graph neural network model named BGCN (short for extit{ extBF{B}undle extBF{G}raph extBF{C}onvolutional extBF{N}etwork}) for bundle recommendation. BGCN unifies user-item interaction, user-bundle interaction and bundle-item affiliation into a heterogeneous graph. With item nodes as the bridge, graph convolutional propagation between user and bundle nodes makes the learned representations capture the item level semantics. Through training based on hard-negative sampler, the user's fine-grained preferences for similar bundles are further distinguished. Empirical results on two real-world datasets demonstrate the strong performance gains of BGCN, which outperforms the state-of-the-art baselines by 10.77\% to 23.18\%.

研究动机与目标

• 解决现有合集推荐方法未能显式建模用户-物品-合集关系及决策过程的局限性。
• 通过利用物品级和合集级信号传播，克服用户-合集交互中的数据稀疏性问题。
• 通过建模用户决策过程中的硬负样本采样，提升对相似合集的细粒度区分能力。
• 通过将用户、物品和合集实体统一为单一异质图，将物品感知整合到合集推荐中。
• 通过元路径建模捕捉用户-物品和合集-合集关系，提升推荐准确性。

提出的方法

• 构建一个整合用户、物品和合集的异质图，边表示用户-物品、用户-合集以及合集-物品的交互。
• 应用两级图卷积传播：在用户与物品之间进行物品级传播，在用户与合集之间通过物品作为桥梁进行合集级传播。
• 引入合集到合集（B2B）元路径，基于重叠物品建模合集间的相似性，并使用重叠程度进行加权传播。
• 在训练过程中于物品级和合集级均采用硬负采样，以区分细微偏好并提升模型泛化能力。
• 采用多任务学习目标，联合优化用户-合集交互预测与物品级表征学习。
• 利用图神经网络捕捉用户、物品和合集之间更高阶的连接性与复杂结构依赖关系。

实验结果

研究问题

• RQ1 统一的异质图模型能否有效捕捉合集推荐中用户、物品与合集之间的复杂关系？
• RQ2 与单级或无传播相比，多级图传播（物品级与合集级）是否能提升表征学习性能？
• RQ3 基于物品重叠的合集到合集（B2B）关系在多大程度上能提升推荐性能？
• RQ4 硬负采样在区分相似合集之间的细微差异及改善用户偏好建模方面有多有效？
• RQ5 所提模型能否缓解用户-合集交互中的数据稀疏性问题，尤其是对交互次数较少的用户？

主要发现

• 在两个真实世界数据集上，BGCN在Recall@40和NDCG@40指标上相比最先进基线方法提升10.77%至23.18%，展现出显著的性能提升。
• 在Netease和Youshu数据集上，两级传播（物品级与合集级）相比单级传播分别提升9.36%–11.57%和2.75%–11.39%的性能。
• 在两个数据集上，引入基于重叠度加权的B2B传播分别提升5.84%–6.74%和1.79%–9.02%的性能，表明其在捕捉合集相似性方面的有效性。
• 在物品级和合集级均采用硬负采样时性能最佳，相比随机采样，Recall@40提升9.26%–10.64%，NDCG@40提升3.95%–11.78%。
• 对于仅具有0–3次交互的用户，BGCN仍保持强劲性能（Recall@40: 0.069，NDCG@40: 0.023），相比最佳基线NGCF-TG分别提升30.19%和27.78%，展现出对数据稀疏性的鲁棒性。