Collaboration-Aware Graph Convolutional Network for Recommender Systems

要約

グラフ ニューラル ネットワーク (GNN) は、共同効果を暗黙的に捉えるメッセージ パッシングによって、レコメンダー システムにうまく採用されています。
それにもかかわらず、レコメンデーションのための既存のメッセージパッシングメカニズムのほとんどは、キャプチャされたコラボレーション効果がユーザーの好みの予測に役立つかどうかを精査することなく、GNN から直接継承されます。
このホワイトペーパーでは、最初にメッセージパッシングが共同効果をどのように捉えるかを分析し、ノードの特定のネイバーと残りのネイバーとの間の相互作用のレベルを測定する、推奨指向のトポロジカルメトリックである Common Interacted Ratio (CIR) を提案します。
.
より高い CIR を持つネイバーからのコラボレーションを活用する利点を実証した後、推奨に合わせた GNN、Collaboration-Aware Graph Convolutional Network (CAGCN) を提案します。
-サブグラフ同形グラフ。
6 つのベンチマーク データセットでの実験では、最良の CAGCN バリアントが最も代表的な GNN ベースのレコメンデーション モデルである LightGCN を Recall@20 で 10% 近く上回っており、約 80% の高速化も達成していることが示されています。
私たちのコードは、https://github.com/YuWVandy/CAGCN で公開されています。

要約(オリジナル)

Graph Neural Networks (GNNs) have been successfully adopted in recommender systems by virtue of the message-passing that implicitly captures collaborative effect. Nevertheless, most of the existing message-passing mechanisms for recommendation are directly inherited from GNNs without scrutinizing whether the captured collaborative effect would benefit the prediction of user preferences. In this paper, we first analyze how message-passing captures the collaborative effect and propose a recommendation-oriented topological metric, Common Interacted Ratio (CIR), which measures the level of interaction between a specific neighbor of a node with the rest of its neighbors. After demonstrating the benefits of leveraging collaborations from neighbors with higher CIR, we propose a recommendation-tailored GNN, Collaboration-Aware Graph Convolutional Network (CAGCN), that goes beyond 1-Weisfeiler-Lehman(1-WL) test in distinguishing non-bipartite-subgraph-isomorphic graphs. Experiments on six benchmark datasets show that the best CAGCN variant outperforms the most representative GNN-based recommendation model, LightGCN, by nearly 10% in Recall@20 and also achieves around 80% speedup. Our code is publicly available at https://github.com/YuWVandy/CAGCN.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google