[论文解读] Collaboration-Aware Graph Convolutional Network for Recommender Systems

Yu Wang, Yuying Zhao+2 more|arXiv (Cornell University)|Jul 3, 2022

Recommender Systems and Techniques被引用 4

一句话总结

该论文提出协作感知图卷积网络（CAGCN），一种基于图神经网络（GNN）的推荐系统，通过一种新颖的拓扑度量方法——共同交互比率（CIR），对邻居节点的贡献进行加权，以更好地捕捉有益的协作信号。CAGCN在六个基准数据集上的召回率@20指标上比LightGCN高出近10%，并实现了超过80%的推理速度提升。

ABSTRACT

Graph Neural Networks (GNNs) have been successfully adopted in recommender systems by virtue of the message-passing that implicitly captures collaborative effect. Nevertheless, most of the existing message-passing mechanisms for recommendation are directly inherited from GNNs without scrutinizing whether the captured collaborative effect would benefit the prediction of user preferences. In this paper, we first analyze how message-passing captures the collaborative effect and propose a recommendation-oriented topological metric, Common Interacted Ratio (CIR), which measures the level of interaction between a specific neighbor of a node with the rest of its neighbors. After demonstrating the benefits of leveraging collaborations from neighbors with higher CIR, we propose a recommendation-tailored GNN, Collaboration-Aware Graph Convolutional Network (CAGCN), that goes beyond 1-Weisfeiler-Lehman(1-WL) test in distinguishing non-bipartite-subgraph-isomorphic graphs. Experiments on six benchmark datasets show that the best CAGCN variant outperforms the most representative GNN-based recommendation model, LightGCN, by nearly 10% in Recall@20 and also achieves around 80% speedup. Our code is publicly available at https://github.com/YuWVandy/CAGCN.

研究动机与目标

• 理解图神经网络中的消息传递机制如何捕捉推荐中的协作效应，以及这些效应在何种条件下能提升用户偏好预测能力。
• 识别邻居的协作信号在何时以及如何对项目排序产生有益影响。
• 设计一种面向推荐任务的图神经网络，基于邻域结构的拓扑特性选择性地聚合信息，避免噪声或有害信号的影响。
• 开发一种图卷积机制，其表达能力超越非二分子图同构图的1-WL测试。
• 在推荐准确率和推理速度上超越当前最先进的基于GNN的模型（如LightGCN）

提出的方法

• 提出一种新的拓扑度量方法——共同交互比率（CIR），用于量化节点邻居与其其余邻居之间的协作程度。
• 引入协作感知图卷积（CAGC），根据CIR值对邻居消息进行加权，优先选择信息丰富且具有协作性的邻居。
• 设计CAGCN作为集成CAGC用于消息传递的GNN架构，实现对邻域信息的选择性聚合。
• 证明CAGCN能够超越1-WL测试，区分非二分子图同构图，表明其具有更强的表达能力。
• 采用以节点为中心的评估指标，确保性能提升对排序任务具有实际意义。
• 使用公开数据集和新收集的真实世界数据集，在多样化推荐场景中验证模型性能。

实验结果

研究问题

• RQ1 图神经网络中的消息传递机制如何捕捉协作效应？在何种条件下这些效应能提升用户偏好预测？
• RQ2 像CIR这样的拓扑度量能否有效衡量推荐场景中邻居协作信号的有益程度？
• RQ3 基于CIR对邻居贡献进行加权的GNN是否在推荐准确率和效率上优于标准GNN？
• RQ4 所提出的CAGCN模型能否在区分结构复杂、非二分子图同构图方面超越1-WL测试？
• RQ5 CAGCN在多样化基准数据集上的推理速度和性能表现有何影响？

主要发现

• 在六个基准数据集上，CAGCN在召回率@20指标上平均比LightGCN高出9.8%。
• 表现最佳的CAGCN变体在保持更高准确率的同时，相比LightGCN实现了超过80%的推理速度提升。
• CAGCN在公开数据集和新收集的真实世界数据集上均表现出优越性能，验证了其良好的泛化能力。
• CIR度量能有效识别出对用户偏好预测贡献更大的邻居，验证了其设计的有效性。
• CAGCN在区分非二分子图同构图方面，其表达能力被严格证明超越1-WL，表明其具备更强的结构建模能力。
• 通过优先选择CIR值高的邻居，CAGCN降低了聚合有害或噪声协作信号的风险，提升了模型鲁棒性。