[论文解读] Knowledge-aware Coupled Graph Neural Network for Social Recommendation

Chao Huang, Huance Xu+8 more|arXiv (Cornell University)|Oct 8, 2021

Recommender Systems and Techniques参考文献 31被引用 6

一句话总结

该论文提出KCGN，一种知识感知的耦合图神经网络，通过基于互信息的图学习框架，联合建模用户-用户社交关系、物品-物品知识依赖关系以及动态多类型用户-物品交互。该方法通过捕捉高阶协同信号并保持异质交互动态，实现在真实数据集上的最先进性能。

ABSTRACT

Social recommendation task aims to predict users' preferences over items with the incorporation of social connections among users, so as to alleviate the sparse issue of collaborative filtering. While many recent efforts show the effectiveness of neural network-based social recommender systems, several important challenges have not been well addressed yet: (i) The majority of models only consider users' social connections, while ignoring the inter-dependent knowledge across items; (ii) Most of existing solutions are designed for singular type of user-item interactions, making them infeasible to capture the interaction heterogeneity; (iii) The dynamic nature of user-item interactions has been less explored in many social-aware recommendation techniques. To tackle the above challenges, this work proposes a Knowledge-aware Coupled Graph Neural Network (KCGN) that jointly injects the inter-dependent knowledge across items and users into the recommendation framework. KCGN enables the high-order user- and item-wise relation encoding by exploiting the mutual information for global graph structure awareness. Additionally, we further augment KCGN with the capability of capturing dynamic multi-typed user-item interactive patterns. Experimental studies on real-world datasets show the effectiveness of our method against many strong baselines in a variety of settings. Source codes are available at: https://github.com/xhcdream/KCGN.

研究动机与目标

• 解决现有社交推荐系统忽略物品层面知识依赖关系和交互异质性的局限性。
• 通过互信息估计实现全局图结构感知，建模用户与物品之间的高阶协同信号。
• 通过时间感知机制，捕捉动态的、多类型的用户-物品交互（例如：浏览、收藏、购买）。
• 在统一的端到端框架中联合编码用户-用户与物品-物品关系结构。
• 通过利用辅助知识和结构先验，在稀疏交互场景下提升推荐的准确性和鲁棒性。

提出的方法

• KCGN采用耦合图神经网络，通过共享的消息传递机制，同时从用户-用户图和物品-物品图中学习表征。
• 引入基于互信息的神经估计器，以捕捉用户与物品之间跨结构的高阶依赖关系，增强全局图感知能力。
• 设计了关系感知的图编码器，以区分不同类型用户-物品交互（如：浏览、收藏、购买）的嵌入，同时整合时间动态信息。
• 通过物品知识图谱（如：类别、属性）中的辅助知识，丰富物品表征，提升协同过滤效果。
• 通过多层传播实现嵌入传播，以捕捉社交结构与知识结构中的高阶邻近性与同构性。
• 采用对比学习目标进行端到端训练，以对齐用户与物品表征与交互模式的一致性。

实验结果

研究问题

• RQ1 联合建模用户社交关系与物品知识依赖关系，是否能提升稀疏场景下的推荐性能？
• RQ2 耦合GNN架构结合互信息估计，能否有效保持用户与物品之间高阶结构信息？
• RQ3 建模动态多类型用户-物品交互在多大程度上增强表征学习与推荐准确性？
• RQ4 在多种真实世界数据集上，KCGN与最先进基线方法相比，在性能与效率方面表现如何？
• RQ5 图网络深度与嵌入维度等架构组件对模型泛化能力与过拟合的影响如何？

主要发现

• KCGN在三个数据集（Epinions、Yelp、E-commerce）上均显著优于NGCF+S、GraphRec和KGAT等强基线模型，HR@10得分最高。
• 在Epinions数据集上，KCGN的HR@10达到0.78，显著优于NGCF+S（0.72）和GraphRec（0.75）。
• 2层图网络结构的模型（KCGN-2）表现最优，表明超过一定深度后，更深网络会引入噪声。
• 增加嵌入维度可提升性能至一定阈值，但继续增加则导致过拟合，最优性能出现在d=32。
• KCGN展现出优异的计算效率，Epinions数据集上推理时间仅17.5秒，E-commerce数据集上为70.2秒，显著快于KGAT（342.8秒）和EATNN（152.7秒）。
• 可视化结果表明，与NGCF+S相比，KCGN学习到的用户与物品嵌入更具判别性且语义更合理，尤其在捕捉同构社交结构方面表现更优。