[论文解读] Self-Supervised Multi-Channel Hypergraph Convolutional Network for Social Recommendation

Junliang Yu, Hongzhi Yin+4 more|arXiv (Cornell University)|Jan 16, 2021

Recommender Systems and Techniques参考文献 66被引用 33

一句话总结

提出多通道超图卷积网络（MHCN），用于建模社交推荐中的高阶用户关系，并通过分层自监督任务增强以保留通道特定的连接信息。

ABSTRACT

Social relations are often used to improve recommendation quality when user-item interaction data is sparse in recommender systems. Most existing social recommendation models exploit pairwise relations to mine potential user preferences. However, real-life interactions among users are very complicated and user relations can be high-order. Hypergraph provides a natural way to model complex high-order relations, while its potentials for improving social recommendation are under-explored. In this paper, we fill this gap and propose a multi-channel hypergraph convolutional network to enhance social recommendation by leveraging high-order user relations. Technically, each channel in the network encodes a hypergraph that depicts a common high-order user relation pattern via hypergraph convolution. By aggregating the embeddings learned through multiple channels, we obtain comprehensive user representations to generate recommendation results. However, the aggregation operation might also obscure the inherent characteristics of different types of high-order connectivity information. To compensate for the aggregating loss, we innovatively integrate self-supervised learning into the training of the hypergraph convolutional network to regain the connectivity information with hierarchical mutual information maximization. The experimental results on multiple real-world datasets show that the proposed model outperforms the SOTA methods, and the ablation study verifies the effectiveness of the multi-channel setting and the self-supervised task. The implementation of our model is available via https://github.com/Coder-Yu/RecQ.

研究动机与目标

• 推动在社交推荐中利用高阶用户关系以解决数据稀疏问题。
• 开发基于超图的多通道模型，每个通道编码一种不同的高阶关系模式。
• 整合自监督学习任务，保持跨通道和超图结构的信息。
• 将多通道超图学习与商品交互结合，生成全面的用户表示。
• 在真实数据集上实证证明该方法的有效性并分析组成部件的贡献。

提出的方法

• 构建三个由基元模式诱导的超图（社交、联合、购买），以建模不同的高阶用户关系。
• 使用多通道超图卷积网络，其中每个通道编码一个由基元模式诱导的超图，带有通道特定的预过滤（自门控）和超图卷积。
• 通过注意力聚合通道嵌入，形成全面的用户表示。
• 在用户-项目交互图上加入简单的图卷积以纳入购买信息。
• 使用贝叶斯个性化排序（BPR）损失和正则化进行训练。
• 通过自监督任务增强，最大化用户、其本地子超图和跨通道全超图之间的层级互信息。

实验结果

研究问题

• RQ1 基元模式诱导的超图是否能有效捕捉社交推荐中的高阶用户关系？
• RQ2 相比单通道或传统 GNN 方法，多通道超图卷积架构能否获得更好的用户表示？
• RQ3 通过保留通道特定连通性信息，添加分层自监督目标是否能提升推荐性能？
• RQ4 在多通道设置中应如何平衡通道贡献以最大化性能？
• RQ5 通过图卷积整合购买信息对整体推荐有哪些影响？

主要发现

• 提出的 MHCN 具有三条由基元模式诱导的超图通道，在真实数据的实验中优于基线方法和最前沿（SOTA）方法。
• 自监督的分层互信息通过在各通道间保持高阶连通性，提升了用户表示质量。
• 基于注意力的聚合有效地给不同通道的贡献赋权，提升推荐性能。
• 通过辅助的简单图卷积引入购买信息，补充超图通道并提升结果。
• 消融研究验证多通道设计和自监督任务在提升性能方面的有效性。