[论文解读] DA-GCN: A Domain-aware Attentive Graph Convolution Network for Shared-account Cross-domain Sequential Recommendation

Lei Guo, Li Tang+4 more|arXiv (Cornell University)|May 7, 2021

Recommender Systems and Techniques参考文献 24被引用 15

一句话总结

本文提出DA-GCN，一种领域感知图卷积网络，通过构建跨域序列（CDS）图来建模共享账户的跨域序列推荐，该图将不同领域的用户与物品关联起来。该方法采用领域感知消息传递机制，并引入两种新颖的注意力机制，以学习用户特定的表征，在两个真实世界数据集上显著优于基于RNN和GCN的基线模型。

ABSTRACT

Shared-account Cross-domain Sequential recommendation (SCSR) is the task of recommending the next item based on a sequence of recorded user behaviors, where multiple users share a single account, and their behaviours are available in multiple domains. Existing work on solving SCSR mainly relies on mining sequential patterns via RNN-based models, which are not expressive enough to capture the relationships among multiple entities. Moreover, all existing algorithms try to bridge two domains via knowledge transfer in the latent space, and the explicit cross-domain graph structure is unexploited. In this work, we propose a novel graph-based solution, namely DA-GCN, to address the above challenges. Specifically, we first link users and items in each domain as a graph. Then, we devise a domain-aware graph convolution network to learn user-specific node representations. To fully account for users' domain-specific preferences on items, two novel attention mechanisms are further developed to selectively guide the message passing process. Extensive experiments on two real-world datasets are conducted to demonstrate the superiority of our DA-GCN method.

研究动机与目标

• 解决多个用户共享一个账户导致用户偏好混合的共享账户跨域场景下的序列推荐挑战。
• 克服现有基于RNN的模型在捕捉跨域复杂实体关系和结构信息方面的局限性。
• 利用显式的跨域图结构来传递细粒度的领域知识，而非仅依赖潜在空间的知识迁移。
• 提出一种方法，通过基于图的表征学习，同时建模序列行为和共享账户下的用户特定偏好。
• 在真实世界数据上证明领域感知消息传递和注意力机制在提升推荐准确率方面的有效性。

提出的方法

• 构建一个跨域序列（CDS）图，将两个领域的用户与物品连接起来，将交互关系建模为节点之间的边。
• 使用领域感知图卷积网络（GCN）通过聚合每个领域中邻近节点的消息来学习用户特定的节点表征。
• 引入两种注意力机制：一种用于根据邻近用户与目标用户的关联度来加权；另一种用于根据领域特定偏好来加权邻近物品。
• 将每个共享账户建模为H个潜在用户，以捕捉个体用户偏好，从而在共享访问条件下实现更精确的表征学习。
• 采用梯度裁剪和Adam优化，学习率为0.001，并在验证集上调整嵌入维度。
• 使用批量大小为128的随机梯度下降进行训练，并在验证集上对H∈[1–5]进行调优。

实验结果

研究问题

• RQ1 在共享账户跨域设置下，基于图的方法是否能优于基于RNN的模型来建模序列依赖性？
• RQ2 与潜在空间知识迁移相比，使用显式的跨域图结构在提升推荐性能方面有多有效？
• RQ3 在共享账户场景中，对邻居重要性进行加权的注意力机制在多大程度上增强了表征学习？
• RQ4 将账户建模为H个潜在用户与将其视为单个虚拟用户相比，在推荐准确率方面有何差异？
• RQ5 与现有基于RNN的基线模型相比，所提出的基于图的模型在训练效率和可扩展性方面表现如何？

主要发现

• DA-GCN在HVIDEO和HAMAZON两个数据集上均取得最佳性能，在HVIDEO上MRR@5达到26.65%，Recall@20达到88.30%，显著优于所有基线模型。
• 与π-net和PSJNet等基于RNN的方法相比，该模型表现显著更优，证明了基于GCN的建模在序列和关系数据上的优越性。
• 消融实验表明，若移除序列信息（GCN OS）或注意力机制（GCN OA），性能均出现下降，证实了二者在模型中的关键作用。
• 将账户建模为H个潜在用户（H ≥ 2）的效果优于将其视为单个虚拟用户，验证了该设计在共享账户建模中的合理性。
• 在不同训练比例下，DA-GCN的训练时间成本低于π-net和PSJNet，表明其在大规模数据集上具有更好的可扩展性。
• 在HVIDEO上的消融研究确认，DA-GCN始终优于缺乏注意力机制或序列建模的变体，证明了完整架构的有效性。