[论文解读] Hierarchical Fashion Graph Network for Personalized Outfit Recommendation

Xingchen Li, Xiang Wang+4 more|arXiv (Cornell University)|May 26, 2020

Recommender Systems and Techniques参考文献 44被引用 12

一句话总结

该论文提出层次化时尚图网络（HFGN），一种图神经网络框架，通过三层层次图（用户-穿搭-商品）联合建模用户-穿搭交互与穿搭-商品兼容性。通过跨层级的消息传递，HFGN利用商品级兼容性信息优化用户与穿搭表征，在个性化穿搭推荐任务上达到最先进性能。

ABSTRACT

Fashion outfit recommendation has attracted increasing attentions from online shopping services and fashion communities.Distinct from other scenarios (e.g., social networking or content sharing) which recommend a single item (e.g., a friend or picture) to a user, outfit recommendation predicts user preference on a set of well-matched fashion items.Hence, performing high-quality personalized outfit recommendation should satisfy two requirements -- 1) the nice compatibility of fashion items and 2) the consistence with user preference. However, present works focus mainly on one of the requirements and only consider either user-outfit or outfit-item relationships, thereby easily leading to suboptimal representations and limiting the performance. In this work, we unify two tasks, fashion compatibility modeling and personalized outfit recommendation. Towards this end, we develop a new framework, Hierarchical Fashion Graph Network(HFGN), to model relationships among users, items, and outfits simultaneously. In particular, we construct a hierarchical structure upon user-outfit interactions and outfit-item mappings. We then get inspirations from recent graph neural networks, and employ the embedding propagation on such hierarchical graph, so as to aggregate item information into an outfit representation, and then refine a user's representation via his/her historical outfits. Furthermore, we jointly train these two tasks to optimize these representations. To demonstrate the effectiveness of HFGN, we conduct extensive experiments on a benchmark dataset, and HFGN achieves significant improvements over the state-of-the-art compatibility matching models like NGNN and outfit recommenders like FHN.

研究动机与目标

• 弥合现有方法将兼容性建模与个性化推荐视为独立任务的缺陷。
• 同时建模用户、穿搭与时尚商品之间的复杂关系，以提升推荐质量。
• 克服因忽略用户-穿搭交互与穿搭-商品映射之间结构关系而导致的表征次优问题。
• 将穿搭级语义信息（通过ID嵌入）整合到表征学习过程中，该点在先前工作中被忽视。
• 通过在统一的层次化图结构上端到端训练，联合优化兼容性匹配与个性化推荐任务。

提出的方法

• 构建三层层次图：用户节点、穿搭节点与商品节点，边表示用户-穿搭交互与穿搭-商品映射。
• 从商品层到穿搭层应用图神经网络（GNN）消息传递，将商品特征聚合至穿搭表征。
• 将优化后的穿搭表征从穿搭层传播至用户层，基于历史穿搭交互更新用户嵌入。
• 引入穿搭ID嵌入以编码语义信息，增强穿搭表征的表达能力，超越视觉特征。
• 采用联合训练目标，同时优化兼容性匹配与个性化推荐任务。
• 借鉴LightGCN的见解，通过移除特征变换与非线性激活层简化GNN架构，提升性能。

实验结果

研究问题

• RQ1 统一框架是否能比独立方法更有效地联合建模时尚兼容性与个性化穿搭推荐？
• RQ2 在用户、穿搭与商品之间引入层次化结构关系，如何改善穿搭推荐的表征学习？
• RQ3 通过ID嵌入引入穿搭级语义信息，对推荐性能有何影响？
• RQ4 在层次化图结构上传播消息，是否相比孤立建模交互关系，能获得更优的用户与穿搭表征？
• RQ5 联合优化兼容性与推荐任务，是否能优于顺序或独立训练，取得更优结果？

主要发现

• HFGN在基准数据集上显著优于最先进模型，包括NGNN（Cui et al., 2019）与FHN（Lu et al., 2019）。
• 该模型在兼容性匹配与个性化穿搭推荐任务中均优于NGNN与FHN，验证了联合学习的有效性。
• 如LightGCN所建议，移除特征变换与非线性激活层后，HFGN性能进一步提升，验证了其架构简洁性。
• 穿搭ID嵌入的引入增强了表征学习，有助于更好地建模整体穿搭语义。
• 在层次化图结构上传播消息，有效捕捉了用户、穿搭与商品之间的复杂依赖关系，提升了用户偏好建模能力。
• 消融实验证实，层次化图结构与联合训练均对模型性能提升有显著贡献。