[论文解读] Metapath- and Entity-aware Graph Neural Network for Recommendation

Muhammad Umer Anwaar, Zhiwei Han+7 more|arXiv (Cornell University)|Oct 22, 2020

Recommender Systems and Techniques参考文献 50被引用 5

一句话总结

该论文提出 PEAGNN，一种元路径与实体感知的图神经网络，通过元路径感知子图显式建模多跳序列语义，并利用注意力机制融合，从而提升推荐性能。通过联合优化 BPR 损失与对比性实体感知正则化项（利用一阶局部结构），该方法在基准数据集上实现了最先进性能。

ABSTRACT

In graph neural networks (GNNs), message passing iteratively aggregates nodes' information from their direct neighbors while neglecting the sequential nature of multi-hop node connections. Such sequential node connections e.g., metapaths, capture critical insights for downstream tasks. Concretely, in recommender systems (RSs), disregarding these insights leads to inadequate distillation of collaborative signals. In this paper, we employ collaborative subgraphs (CSGs) and metapaths to form metapath-aware subgraphs, which explicitly capture sequential semantics in graph structures. We propose meta extbf{P}ath and extbf{E}ntity- extbf{A}ware extbf{G}raph extbf{N}eural extbf{N}etwork (PEAGNN), which trains multilayer GNNs to perform metapath-aware information aggregation on such subgraphs. This aggregated information from different metapaths is then fused using attention mechanism. Finally, PEAGNN gives us the representations for node and subgraph, which can be used to train MLP for predicting score for target user-item pairs. To leverage the local structure of CSGs, we present entity-awareness that acts as a contrastive regularizer on node embedding. Moreover, PEAGNN can be combined with prominent layers such as GAT, GCN and GraphSage. Our empirical evaluation shows that our proposed technique outperforms competitive baselines on several datasets for recommendation tasks. Further analysis demonstrates that PEAGNN also learns meaningful metapath combinations from a given set of metapaths.

研究动机与目标

• 解决现有 GNN 在捕捉用户-物品交互图中序列多跳关系方面的局限性。
• 通过显式建模编码高阶用户-物品交互模式的元路径感知子图，改进协同过滤。
• 通过对比正则化（实体感知）引入一阶结构连通性，增强节点表征。
• 通过动态元路径引导的消息传递机制实现实时、可扩展的消息传递，避免全图重构。
• 通过注意力机制实现元路径重要性与融合的端到端学习，支持可解释且自适应的推荐。

提出的方法

• 构建以用户-物品对为中心的 h 跳包围协同子图（CSGs），以抑制无关交互带来的噪声。
• 基于预定义的元路径模式，将每个 CSG 分解为 γ 个元路径感知子图，隔离序列语义。
• 在每个子图上应用多层 GNN（如 GCN、GAT、GraphSAGE）进行元路径感知消息传递，聚合多跳信息。
• 使用注意力机制融合来自不同元路径感知子图的表征，学习动态重要性权重。
• 引入实体感知作为对比正则化项，将用户/物品节点拉近至其连接的特征实体，同时推远未连接的实体。
• 通过联合优化 BPR 损失与实体感知损失，实现端到端训练，同时优化推荐准确率与结构一致性。

实验结果

研究问题

• RQ1 与标准 GNN 相比，显式建模元路径感知子图在推荐性能上的提升效果如何？
• RQ2 实体感知对节点表征质量与推荐准确率的影响如何，尤其在稀疏设置下？
• RQ3 哪些元路径对模型性能贡献最大？PEAGNN 是否能自动学习有意义的元路径组合？
• RQ4 PEAGNN 的实时元路径引导消息传递与显式元路径重构相比，在效率与性能上表现如何？
• RQ5 PEAGNN 中的注意力机制能否识别并优先选择关键元路径组合以实现更好推荐？

主要发现

• PEAGNN 在多个数据集上均实现一致的性能提升，使用实体感知时在 ML-small 数据集上 HR@10 最低提升 1.9%。
• 在 Yelp 数据集上，PEASage 在使用实体感知时 NDCG@10 提升 4.06%，表明其在密集真实图中的有效性。
• 元路径 Y-M-U（Year-Movie-User）对性能影响最大，其移除导致 HR@10 恒定下降 10% 以上，表明其在用户偏好建模中的关键作用。
• 如 U-M-U（User-Movie-User）与 M-U-M（Movie-User-Movie）等元路径为关键贡献者，凸显用户行为中的协同效应。
• 移除与标签相关的元路径（如 T-M-U）在一次运行中导致性能下降 15.32%，表明其在用户-物品交互建模中具有互补作用。
• PEAGNN 中的注意力机制能学习到对有意义元路径组合分配更高权重，支持可解释且渐进式的模型优化。