[论文解读] Hierarchical Hyperedge Embedding-based Representation Learning for Group Recommendation

Lei Guo, Hongzhi Yin+3 more|arXiv (Cornell University)|Mar 24, 2021

Recommender Systems and Techniques参考文献 61被引用 11

一句话总结

本文提出 HyperGroup，一种基于层次化超边嵌入的模型，用于处理偶然群体推荐（OGR）问题，通过利用用户社交网络和基于超图的群体表征学习，缓解数据稀疏性和群体相似性问题。该模型采用图神经网络（GNN）增强框架，联合优化用户-物品与群体-物品交互，实现在真实世界数据集上的最先进性能，且具备更快的收敛速度与更强的可扩展性。

ABSTRACT

In this work, we study group recommendation in a particular scenario, namely Occasional Group Recommendation (OGR). Most existing works have addressed OGR by aggregating group members' personal preferences to learn the group representation. However, the representation learning for a group is most complex beyond the fusion of group member representation, as the personal preferences and group preferences may be in different spaces. In addition, the learned user representation is not accurate due to the sparsity of users' interaction data. Moreover, the group similarity in terms of common group members has been overlooked, which however has the great potential to improve the group representation learning. In this work, we focus on addressing the above challenges in group representation learning task, and devise a hierarchical hyperedge embedding-based group recommender, namely HyperGroup. Specifically, we propose to leverage the user-user interactions to alleviate the sparsity issue of user-item interactions, and design a GNN-based representation learning network to enhance the learning of individuals' preferences from their friends' preferences, which provides a solid foundation for learning groups' preferences. To exploit the group similarity to learn a more accurate group representation from highly limited group-item interactions, we connect all groups as a network of overlapping sets, and treat the task of group preference learning as embedding hyperedges in a hypergraph, where an inductive hyperedge embedding method is proposed. To further enhance the group-level preference modeling, we develop a joint training strategy to learn both user-item and group-item interactions in the same process. We conduct extensive experiments on two real-world datasets and the experimental results demonstrate the superiority of our proposed HyperGroup in comparison to the state-of-the-art baselines.

研究动机与目标

• 为解决偶然群体推荐（OGR）中群体历史群体-物品交互稀疏的问题，其中群体为临时组建，缺乏先前的交互记录。
• 通过建模用户个体偏好与群体层面共识，利用重叠群体结构，提升群体表征学习能力。
• 通过图神经网络（GNN）利用用户之间的社交互动，缓解用户偏好稀疏性问题。
• 通过将群体建模为超图中的超边，利用重叠成员定义的群体相似性，实现更精准的偏好嵌入。
• 联合优化用户-物品与群体-物品交互学习，以实现更快的收敛速度与更优的性能表现。

提出的方法

• 采用基于 GNN 的网络，通过聚合好友的偏好信息来增强个体用户表征，降低用户-物品交互中的稀疏性。
• 将所有群体建模为超图，其中每个群体作为连接其成员的超边，实现群体层面的超边嵌入表征。
• 提出一种归纳式超边嵌入方法，从重叠用户集合中学习群体表征，通过共享成员捕捉群体相似性。
• 设计联合训练策略，同时优化用户-物品与群体-物品交互预测任务，提升模型效率与表征质量。
• 采用分层架构：首先通过社交 GNN 学习用户嵌入，再通过超边学习获得群体嵌入，支持端到端训练。
• 个体偏好建模（IPM）组件中的特征初始化具有灵活性，实验表明对最终性能影响极小。

实验结果

研究问题

• RQ1 在高度稀疏的群体-物品交互数据下，如何改进群体表征学习？
• RQ2 能否通过利用用户社交互动来增强个体偏好学习，从而提升群体推荐效果？
• RQ3 如何有效建模群体相似性（由重叠成员定义），以改善 OGR 中的群体表征？
• RQ4 联合优化用户-物品与群体-物品交互是否能带来更快的收敛速度与更优性能？
• RQ5 所提出的 HyperGroup 模型是否具备在大规模数据集（不同数据规模）下的可扩展性？

主要发现

• HyperGroup 在 Yelp 和 Douban-Event 数据集上均达到最先进性能，显著优于现有 SOTA 方法，推荐准确率更高。
• 模型收敛迅速，在 Yelp 数据集上 30 次迭代内达到最优性能，在 Douban-Event 上仅需 10 次迭代，表明训练方案合理且高效。
• 训练时间与数据规模近似呈线性增长，表明在大规模数据集上具备出色的可扩展性。
• 联合优化策略通过同时利用用户-物品与群体-物品交互信号，加速收敛并提升性能。
• IPM 组件中特征初始化的选择对最终性能影响极小，表明模型对初始化具有强鲁棒性。
• 超边嵌入方法通过重叠成员有效捕捉群体相似性，在低数据场景下显著提升群体表征学习效果。