[论文解读] Causal Inference for Knowledge Graph based Recommendation

Yinwei Wei, Xiang Wang+4 more|arXiv (Cornell University)|Dec 20, 2022

Advanced Graph Neural Networks被引用 9

一句话总结

该论文提出HS-GCN，一种新型图卷积网络，通过在汉明空间中建模一阶和高阶汉明相似性，实现高效的知识图谱推荐。通过在二进制哈希码上直接执行图卷积操作，结合哈希码聚合与编码，HS-GCN在三个基准数据集上的性能达到最先进水平，与实值模型性能相当。

ABSTRACT

Knowledge Graph (KG), as a side-information, tends to be utilized to supplement the collaborative filtering (CF) based recommendation model. By mapping items with the entities in KGs, prior studies mostly extract the knowledge information from the KGs and inject it into the representations of users and items. Despite their remarkable performance, they fail to model the user preference on attributes in the KG, since they ignore that (1) the structure information of KG may hinder the user preference learning, and (2) the user's interacted attributes will result in the bias issue on the similarity scores. With the help of causality tools, we construct the causal-effect relation between the variables in KG-based recommendation and identify the reasons causing the mentioned challenges. Accordingly, we develop a new framework, termed Knowledge Graph-based Causal Recommendation (KGCR), which implements the deconfounded user preference learning and adopts counterfactual inference to eliminate bias in the similarity scoring. Ultimately, we evaluate our proposed model on three datasets, including Amazon-book, LastFM, and Yelp2018 datasets. By conducting extensive experiments on the datasets, we demonstrate that KGCR outperforms several state-of-the-art baselines, such as KGNN-LS, KGAT and KGIN.

研究动机与目标

• 解决现有基于哈希的推荐系统仅建模一阶汉明相似性所导致的表征能力不足问题。
• 通过用户-物品二部图结构显式捕捉高阶汉明相似性——源自间接用户-物品关系。
• 开发一种直接在汉明空间中运行的图卷积网络，避免从欧几里得空间到二进制转换带来的信息损失。
• 实现高效、可扩展的推荐，且性能可与实值模型相媲美。

提出的方法

• 该方法从历史交互数据构建用户-物品二部图，以表示一阶与高阶相似性。
• 提出一种新颖的汉明空间图卷积操作，由两个部分组成：哈希码聚合与哈希码编码。
• 哈希码聚合通过计算邻近节点码的按位符号（多数投票）来总结局部汉明相似性。
• 哈希码编码通过翻转与邻近节点主导符号一致的位，将汉明相似性注入到每个节点的哈希码中。
• 通过堆叠多层传播层，迭代优化哈希码，实现端到端训练。
• 基于学习到的汉明空间表征，通过最终的评分层预测用户-物品交互。

Figure 1: Illustration of the high-order and the first-order Hamming similarity in learning to hash.

实验结果

研究问题

• RQ1 在汉明空间中建模高阶汉明相似性是否能提升推荐中哈希码的表征能力？
• RQ2 如何在不依赖实值嵌入的情况下，有效在二进制哈希码上执行图卷积操作？
• RQ3 通过高阶相似性显式捕捉间接用户-物品关系，是否能带来优于仅基于一阶相似性的推荐性能？
• RQ4 在汉明空间中运行的GCN能否实现与PinSage和GraphSAGE等实值推荐模型相当的性能？

主要发现

• HS-GCN在三个公开基准数据集上显著优于多个最先进的基于哈希的推荐模型。
• 尽管使用二进制哈希码，该模型实现的推荐性能可与PinSage和GraphSAGE等实值模型相媲美。
• 消融实验表明，建模高阶汉明相似性相较于仅一阶方法，对性能提升有显著贡献。
• HS-GCN通过汉明空间图卷积实现端到端训练，支持高效、可扩展的推荐，并具备常数时间搜索潜力。
• 该模型在不同数据集上表现稳健，展示了在大规模推荐场景中的泛化能力。