Search

Knowledge-aware Coupled Graph Neural Network for Social Recommendation

Abstract

Plain Text
복사

1. Introduction

1.1. 기존 연구의 한계

•
기존의 social recommendation은 social connection만 고려하고 아이템 간 inter-dependent knowledge는 무시함
◦
같은 카테고리의 상품이라던가, 비슷한 장소의 리뷰들
•
user-item의 단일한 interaction만 설계하나 interaction들의 heterogeneity는 다루지 않음
◦
user-item interaction에는 다양한 종류가 존재함 (page view, add-to-favorite, purchase, …)
•
user-item 관계는 time dimension을 포함해 이해되어야 함

1.2. Key contributions

•
user-user, item-item relation의 local and global structure를 함께 다루기 위해 mutual information estimation을 coupled graph neural architecture에 포함함
•
multi-typed user-item interactive pattern을 인코딩하는 relation-aware graph neural module 개발
•
message passing에 temporal information을 포함함

2. Methodology

2.1. Problem formulation

•
Multi-typed Interaction Tensor X\textbf{X}
◦
KK : the number of interaction types (page view, purchase, like, dislike)
•
User Social Graph GuG_u
•
Item Inter-Dependency Graph GvG_v
◦
제품이 같은 카테고리에 속하거나, 비슷한 functionality를 같거나, 같은 interaction type kk로 같은 유저에게 쓰였을 때

2.2. Multi-types Interactive Pattern Modeling

•
construct multi-typed relation graph GmG_m
◦
uiu_i와 vjkv_j^k 사이의 edge는 kk-th type interaction이 있음을 의미함
•
Temporal context encoding
◦
temporal context 생성
◦
interaction 정보 xi,jkx_{i,j}^k에 시간 정보 ti,jkt_{i,j}^k를 매핑: T~(ti,jk)\tilde{T}(t_{i,j}^k)
◦
sin & cosine 함수 사용하여 embedding
◦
transformer의 positional embedding과 유사
•
High-Order Message Aggregation Phase
◦
final embedding (hui∗,hvi,jk∗)(\textbf{h}^*_{u_i},\textbf{h}^*_{v_{i,j}^k})
◦
hvj∗\textbf{h}^*_{v_j}는 hvi,jk∗\textbf{h}^*_{v_{i,j}^k}를 importance에 따라 차등하여 구함

2.3. Knowledge-aware Coupled Graph Neural Module

•
First learn the user- and item-specific embeddings (zui,zvj)(\textbf{z}_{u_i},\textbf{z}_{v_j})
•
fGu′,fGv′\textbf{f}_{G'_u},\textbf{f}_{G'_v}: a fused graph-level representation by applying the mean pooling
•
mutual information은 random variable 간의 상호 의존적인 정도를 의미함
•
따라서 mutual information을 추정하는 mutual information estimator (MINE, MI et al, 2018) 을 이용해 node-specific user/item characteristic과 global graph-level dependencies가 보존되도록 함
•
positive samples (zui,fGu′),(zvj,fGv′)(\textbf{z}_{u_i},\textbf{f}_{G'_u}),(\textbf{z}_{v_j},\textbf{f}_{G'_v})
•
negative samples(misplaced node-graph pairwise relations) (z~ui,fGu′),(z~vj,fGv′)(\tilde{\textbf{z}}_{u_i},\textbf{f}_{G'_u}),(\tilde{\textbf{z}}_{v_j},\textbf{f}_{G'_v})
•
jointly preserve the node-specific user/item characteristics and global graph-level dependencies

2.4. Model Optimization

•
L\mathcal{L} includes (i) multi-typed user-item interaction encoding (ii) knowledge-aware user-user and item-item inter-dependent relation learning

3. Evaluation

•
Dataset: Epinions(review), Yelp, E-Commerce
•
Evaluation metric: Hit rate, NDCG

3.1. Overall Model Performance Comparison

3.2. Impact of Different Relation Encoders

•
multi-typed user-item interaction(M), user-wise relations(U), item-wise dependencies(I), temporal context(T) 의 영향 평가

3.3. Performance over Sparsity Degrees

•
user social relationship 정보나 item의 knowledge info를 쓰는건 결국 data sparcity를 해소하기 위함
•
유저를 sparcity level에 따라 네 그룹으로 나누어 결과를 분석해봄
•
KGCN은 모든 그룹에서, 특히 가장 sparce한 그룹에서 성능이 가장 좋았음

3.4. Qualitative Analyses of KCGN

•
user와 user의 4점, 5점 평점 아이템의 latent feature를 시각화하였음

3.5. Parameter Sensitivity Study

•
user-item interaction graph의 embedding size는 클수록,
•
gnn layer는 2개 일 때 가장 성능이 좋았음

3.6. Model Efficiency Study