[论文解读] Graph Factorization Machines for Cross-Domain Recommendation

Dongbo Xi, Fuzhen Zhuang+4 more|arXiv (Cornell University)|Jul 12, 2020

Recommender Systems and Techniques参考文献 35被引用 5

一句话总结

本文提出图因子分解机（GFM），一种新颖的图神经网络（GNN）模型，通过利用因子分解机有效聚合图结构数据中的高阶邻域交互信息，从而提升推荐性能。此外，本文还提出一种通用的跨域框架，适用于GFM及其他GNN模型，在多个真实世界数据集上显著提升了稀疏数据场景下的推荐性能。

ABSTRACT

Recently, graph neural networks (GNNs) have been successfully applied to recommender systems. In recommender systems, the user's feedback behavior on an item is usually the result of multiple factors acting at the same time. However, a long-standing challenge is how to effectively aggregate multi-order interactions in GNN. In this paper, we propose a Graph Factorization Machine (GFM) which utilizes the popular Factorization Machine to aggregate multi-order interactions from neighborhood for recommendation. Meanwhile, cross-domain recommendation has emerged as a viable method to solve the data sparsity problem in recommender systems. However, most existing cross-domain recommendation methods might fail when confronting the graph-structured data. In order to tackle the problem, we propose a general cross-domain recommendation framework which can be applied not only to the proposed GFM, but also to other GNN models. We conduct experiments on four pairs of datasets to demonstrate the superior performance of the GFM. Besides, based on general cross-domain recommendation experiments, we also demonstrate that our cross-domain framework could not only contribute to the cross-domain recommendation task with the GFM, but also be universal and expandable for various existing GNN models.

研究动机与目标

• 解决现有GNN模型因采用均值或池化等简单聚合机制，导致在捕捉复杂多阶特征交互方面存在局限的问题。
• 通过利用图结构数据实现有效的跨域知识迁移，克服推荐系统中的数据稀疏性问题。
• 开发一种可泛化的跨域推荐框架，兼容多种GNN模型，而不仅限于特定架构。
• 通过共享节点初始化和共享图参数，联合学习领域共享与领域特定表示，从而提升推荐性能。
• 在多种真实世界数据集及多个GNN基线模型上，验证所提出GFM与跨域框架的有效性。

提出的方法

• 提出图因子分解机（GFM），利用因子分解机聚合二阶邻域消息，有效建模稀疏高维用户-物品交互中的特征交互。
• 通过堆叠多层GFM，利用迭代消息传递捕捉更高阶的邻域信息，提升表示学习能力，超越一阶交互。
• 设计一种通用的跨域推荐框架，通过共享表示（如共享用户或物品）初始化源域与目标域节点，实现领域共享知识的迁移。
• 通过联合优化各领域特定的图表示（基于各领域的图拓扑结构），同时在不同领域间共享图参数，以增强一致性。
• 在推理阶段融合领域共享与领域特定特征，生成最终预测结果，使模型能够同时受益于可迁移与独特模式。
• 将该框架应用于多种GNN模型（GCN、GAT、GraphSAGE），以验证其通用性与可扩展性，而不仅限于GFM。

实验结果

研究问题

• RQ1 相较于标准GNN模型，基于因子分解机的GNN模型是否能更有效地捕捉图结构推荐系统中的多阶特征交互？
• RQ2 在稀疏图结构数据的跨域场景下，所提出的跨域框架在知识迁移方面是否显著提升推荐性能？
• RQ3 所提出的框架在不同GNN架构（如GCN、GAT、GraphSAGE）上的泛化能力如何？
• RQ4 与仅使用领域特定表示相比，共享节点初始化是否显著提升跨域推荐任务的性能？
• RQ5 在跨域设置下，结合领域共享与领域特定特征是否优于单独使用任一类型特征？

主要发现

• 所提出的GFM模型在四个真实世界跨域推荐数据集上达到SOTA性能，优于多种强基线模型，包括FM、GCN与GAT。
• CD-GFM（跨域GFM）相比基线GFM模型，平均HR@1提升25.2%，平均HR@10提升10.5%，充分证明了跨域框架的有效性。
• 消融实验表明，共享节点初始化组件对性能有显著贡献，所有测试数据集的p值均小于0.05，具有统计显著性。
• 该通用跨域框架在40项不同任务中（4对数据集 × 10种模型）均提升性能，表明在GCN、GAT与GraphSAGE等变体中均具有一致增益。
• 性能提升在GCN上最为显著，可能因其在单域设置下本身性能较弱，凸显该框架纠正弱基模型的能力。
• 即使在GraphSAGE中使用简单的聚合器（如均值与池化），该框架仍表现出鲁棒性与有效性，表明其与多种GNN架构具有广泛的兼容性。