[论文解读] Multi-Component Graph Convolutional Collaborative Filtering

Xiao Wang, Ruijia Wang+3 more|arXiv (Cornell University)|Nov 25, 2019

Recommender Systems and Techniques参考文献 27被引用 8

一句话总结

本文提出了一种新型图神经网络模型——多组分图卷积协同过滤（MCCF），该模型将用户-物品交互边分解为多个潜在组分，以捕捉细粒度的用户偏好。通过使用分层注意力机制动态加权并重新组合这些组分，MCCF在标准协同过滤方法的基础上显著提升了推荐准确率，尤其在存在多种动机共存的密集数据集上表现更优。

ABSTRACT

The interactions of users and items in recommender system could be naturally modeled as a user-item bipartite graph. In recent years, we have witnessed an emerging research effort in exploring user-item graph for collaborative filtering methods. Nevertheless, the formation of user-item interactions typically arises from highly complex latent purchasing motivations, such as high cost performance or eye-catching appearance, which are indistinguishably represented by the edges. The existing approaches still remain the differences between various purchasing motivations unexplored, rendering the inability to capture fine-grained user preference. Therefore, in this paper we propose a novel Multi-Component graph convolutional Collaborative Filtering (MCCF) approach to distinguish the latent purchasing motivations underneath the observed explicit user-item interactions. Specifically, there are two elaborately designed modules, decomposer and combiner, inside MCCF. The former first decomposes the edges in user-item graph to identify the latent components that may cause the purchasing relationship; the latter then recombines these latent components automatically to obtain unified embeddings for prediction. Furthermore, the sparse regularizer and weighted random sample strategy are utilized to alleviate the overfitting problem and accelerate the optimization. Empirical results on three real datasets and a synthetic dataset not only show the significant performance gains of MCCF, but also well demonstrate the necessity of considering multiple components.

研究动机与目标

• 为解决现有协同过滤方法将所有用户-物品交互视为统一处理、忽略潜在多样化购买动机的局限性。
• 通过识别并利用观察到的交互背后存在的多个潜在组分，实现对用户偏好的细粒度建模。
• 构建一个端到端的深度学习框架，能够自动分解并重新组合这些组分，以提升推荐性能。

提出的方法

• MCCF框架由两个核心模块组成：一个分解器，利用节点级别的注意力机制，将每个用户-物品边拆分为多个潜在组分。
• 一个组合器模块，通过组分级别的注意力机制，动态加权并融合潜在组分，生成统一的用户和物品嵌入表示。
• 应用稀疏正则化方法，以缓解因模型参数过多导致的过拟合问题。
• 采用基于评分的加权随机采样策略，以加速优化过程，并有效处理噪声成对标签。
• 模型采用分层注意力机制，学习在物品特定级别和用户聚合级别上不同组分的重要性。
• 整个框架在用户-物品二分图上端到端训练，支持联合表示学习与细粒度语义建模。

实验结果

研究问题

• RQ1 在用户-物品交互中建模多种潜在购买动机，是否能带来优于统一处理所有交互的推荐性能？
• RQ2 如何在基于图的协同过滤框架中有效发现并表示用户-物品交互背后的多个潜在组分？
• RQ3 组分数（K）对模型性能的影响程度如何？在不同数据稀疏性水平下，最优配置是什么？
• RQ4 分层注意力机制在学习到的表示中，能否有效捕捉并反映不同购买动机的语义含义？

主要发现

• 在三个真实世界数据集（Yelp、Amazon、MovieLens）和一个合成数据集上，MCCF在性能上显著优于当前最先进的协同过滤方法。
• 在密集数据集（如Amazon和MovieLens）上，随着组分数K的增加，性能持续提升至最优点，之后因过拟合而趋于饱和或下降。
• 在稀疏数据集（如Yelp）上，单一组分已足够，表明多组分建模的需求取决于数据密度和评分分布。
• 使用t-SNE对注意力权重进行可视化显示，模型能够将具有相同潜在动机的物品分组到不同的聚类中，验证了其捕捉隐式语义的能力。
• 最优组分数K因数据集而异：在合成数据集中K=3表现最佳；在Amazon和MovieLens上，K=2或K=3表现最优。
• 增加嵌入维度（d）可提升性能，但超过一定阈值后将引发过拟合，表明表示能力与模型复杂度之间存在权衡。