[论文解读] Joint Item Recommendation and Attribute Inference: An Adaptive Graph Convolutional Network Approach

Le Wu, Yonghui Yang+4 more|arXiv (Cornell University)|May 25, 2020

Recommender Systems and Techniques参考文献 48被引用 15

一句话总结

本文提出了一种自适应图卷积网络（AGCN），用于在用户-物品二分图中联合进行物品推荐与属性推理，且该图中存在缺失属性。AGCN通过估计的属性值迭代优化图嵌入，并利用弱监督反馈更新属性，显著提升了真实世界数据集上的推荐与推理性能。

ABSTRACT

In many recommender systems, users and items are associated with attributes, and users show preferences to items. The attribute information describes users'(items') characteristics and has a wide range of applications, such as user profiling, item annotation, and feature-enhanced recommendation. As annotating user (item) attributes is a labor intensive task, the attribute values are often incomplete with many missing attribute values. Therefore, item recommendation and attribute inference have become two main tasks in these platforms. Researchers have long converged that user (item) attributes and the preference behavior are highly correlated. Some researchers proposed to leverage one kind of data for the remaining task, and showed to improve performance. Nevertheless, these models either neglected the incompleteness of user (item) attributes or regarded the correlation of the two tasks with simple models, leading to suboptimal performance of these two tasks. To this end, in this paper, we define these two tasks in an attributed user-item bipartite graph, and propose an Adaptive Graph Convolutional Network (AGCN) approach for joint item recommendation and attribute inference. The key idea of AGCN is to iteratively perform two parts: 1) Learning graph embedding parameters with previously learned approximated attribute values to facilitate two tasks; 2) Sending the approximated updated attribute values back to the attributed graph for better graph embedding learning. Therefore, AGCN could adaptively adjust the graph embedding learning parameters by incorporating both the given attributes and the estimated attribute values, in order to provide weakly supervised information to refine the two tasks. Extensive experimental results on three real-world datasets clearly show the effectiveness of the proposed model.

研究动机与目标

• 解决推荐系统中用户与物品属性不完整的问题，该问题会阻碍有效个性化和冷启动缓解。
• 克服现有模型将推荐与属性推理视为独立任务或仅使用简单相关性的局限性。
• 开发一个统一框架，利用物品推荐与属性推理之间的相互监督，同时提升两个任务的性能。
• 在二分用户-物品图中建模复杂、高阶的图结构，同时处理稀疏且不完整的属性数据。
• 设计一种迭代自适应学习机制，通过反馈循环同时优化嵌入与属性估计。

提出的方法

• 将问题建模为在带属性的用户-物品二分图上的联合学习任务，其中节点代表用户和物品，边代表用户-物品交互。
• 提出一种自适应图卷积网络（AGCN），交替执行：(1) 使用当前属性估计值进行图嵌入学习；(2) 基于更新后的嵌入值优化属性值。
• 将观测到的和预测的属性值整合到图卷积过程中，通过弱监督信号改善节点表征学习。
• 使用多任务损失函数，结合评分预测损失与属性推理损失，并通过平衡参数 γ 控制各任务的相对贡献。
• 应用具有可学习参数的图卷积层，聚合来自高阶邻居的信息，其中深度 K 通过调优以获得最佳性能。
• 在GCN层中应用归一化和激活函数（如ReLU），以稳定训练并提升表征学习效果。

实验结果

研究问题

• RQ1 与将两者视为独立任务相比，联合学习物品推荐与属性推理是否能提升性能？
• RQ2 属性估计与图嵌入学习之间的迭代反馈机制如何影响模型性能？
• RQ3 在稀疏图中，图卷积层的最优深度 K 是多少，以在表征学习与过平滑之间取得平衡？
• RQ4 任务平衡参数 γ 如何影响推荐与属性推理性能之间的权衡？
• RQ5 通过自适应地整合估计属性，该模型在多大程度上能够缓解数据稀疏性与冷启动问题？

主要发现

• AGCN 在三个真实世界数据集（Amazon-Video Games、Movielens-1M 和 Movielens-20M）上均优于最先进基线模型，包括基于GCN的模型和独立的推荐/推理模型。
• 在 Amazon-Video Games 上，K=3 时性能最佳，该数据集的稀疏度最高（评分为 0.028%），表明高阶邻居聚合有助于缓解稀疏性问题。
• 在 Movielens-1M 和 Movielens-20M 上，K=2 时性能最优，因为更深的层（K=4）会导致过平滑和性能下降，这是由于特征过度扩散所致。
• 最优任务平衡参数 γ 因数据集和属性类型而异，性能在 γ=0.001 至 γ=0.1 之间达到峰值；设置 γ=0 或 γ=1 会导致性能显著下降，原因在于监督信号失衡。
• AGCN 中的迭代反馈机制在物品推荐（HR@10 和 NDCG@10）与属性推理准确率方面均带来持续提升，证明了联合学习的有效性。
• 消融实验证实，采用自适应反馈的联合学习框架显著优于将两项任务独立处理或使用静态属性输入的模型。