[论文解读] Disentangled Graph Contrastive Learning for Review-based Recommendation

Yuyang Ren, Haonan Zhang+6 more|arXiv (Cornell University)|Sep 4, 2022

Recommender Systems and Techniques被引用 4

一句话总结

该论文提出DGCLR，一种解耦图对比学习框架，通过使用评论文本和用户-物品交互图，将用户-物品交互建模为不同的潜在因子（如质量、价格、外观等）。通过采用因子分解的消息传递机制和对比学习，DGCLR在五个基准数据集上优于最先进方法，提升了推荐准确率与可解释性。

ABSTRACT

User review data is helpful in alleviating the data sparsity problem in many recommender systems. In review-based recommendation methods, review data is considered as auxiliary information that can improve the quality of learned user/item or interaction representations for the user rating prediction task. However, these methods usually model user-item interactions in a holistic manner and neglect the entanglement of the latent factors behind them, e.g., price, quality, or appearance, resulting in suboptimal representations and reducing interpretability. In this paper, we propose a Disentangled Graph Contrastive Learning framework for Review-based recommendation (DGCLR), to separately model the user-item interactions based on different latent factors through the textual review data. To this end, we first model the distributions of interactions over latent factors from both semantic information in review data and structural information in user-item graph data, forming several factor graphs. Then a factorized message passing mechanism is designed to learn disentangled user/item representations on the factor graphs, which enable us to further characterize the interactions and adaptively combine the predicted ratings from multiple factors via a devised attention mechanism. Finally, we set two factor-wise contrastive learning objectives to alleviate the sparsity issue and model the user/item and interaction features pertinent to each factor more accurately. Empirical results over five benchmark datasets validate the superiority of DGCLR over the state-of-the-art methods. Further analysis is offered to interpret the learned intent factors and rating prediction in DGCLR.

研究动机与目标

• 为解决现有基于评论的推荐方法在整体建模上的局限性，这些方法将价格、质量、外观等多个潜在因子在用户-物品表示中纠缠在一起。
• 通过显式地利用文本评论和用户-物品图结构，将用户-物品交互解耦为不同的潜在因子，以提升推荐性能与可解释性。
• 学习解耦的用户与物品表示，以捕捉每个因子的细粒度偏好，从而实现更准确且可解释的评分预测。
• 通过引入因子级别的对比学习目标，缓解数据稀疏性问题，增强每个潜在因子表示的判别能力。

提出的方法

• 该框架通过结合评论中的语义信号和用户-物品图的结构信号，对交互在潜在因子上的分布进行建模，构建多个因子图。
• 设计了一种因子分解的消息传递机制，在每个因子图上学习解耦的用户与物品表示，以捕捉因子特定的偏好。
• 采用基于注意力的交互模块，自适应地融合多个因子的预测结果，生成最终评分，其中注意力权重反映每项交互的主导因子。
• 引入两种因子级别的对比学习目标：一种用于用户/物品表示，另一种用于交互表示，以增强表示的解耦性与鲁棒性。
• 采用多任务损失联合优化评分预测与对比学习目标，实现端到端训练，并通过超参数调优实现最优性能。

实验结果

研究问题

• RQ1 在用户-物品交互中解耦潜在因子（如质量、价格、外观）是否能提升推荐性能与可解释性？
• RQ2 如何联合利用评论文本与用户-物品图结构，以识别并建模用户评分背后的独立潜在因子？
• RQ3 因子级别的对比学习是否能提升所学表示的判别性与解耦程度？
• RQ4 不同数量的因子与消息传递层数如何影响模型性能与泛化能力？

主要发现

• DGCLR在五个基准数据集上达到最先进性能，评分预测准确率优于现有方法。
• 模型可解释性显著提升：因子特定的评论始终反映一致的语义主题，如“供需匹配”、“质量”、“诚信”和“性价比”。
• 当因子未解耦时（K=1），更深的消息传递会导致性能下降；而当K≥2时，性能显著提升，表明解耦使高阶消息传递更有效。
• 最优对比损失权重（λ₁, λ₂）位于[0.3, 0.7]范围内，且在该范围内模型对超参数调优具有鲁棒性。
• 注意力机制能成功识别单个预测的主导因子，高注意力权重（>0.5）与语义一致的评论内容高度吻合。
• 通过聚焦每项交互中最相关的因子，模型实现了高精度的评分预测（MSE < 0.2），同时兼具预测精度与可解释性。