Criteria Tell You More than Ratings: Criteria Preference-Aware Light Graph Convolution for Effective Multi-Criteria Recommendation

要約

マルチクライテリア（MC）レコメンダー システムは、幅広い電子商取引分野で MC 評価情報を活用し、今日では至る所で普及しています。
驚くべきことに、グラフ ニューラル ネットワーク (GNN) は、グラフ表現を学習する際の GNN の高い表現力により、さまざまなレコメンダー システムの開発に広く適用されていますが、GNN を使用して MC レコメンダー システムを設計する方法はまだ解明されていません。
これを踏まえて、私たちは GNN 支援 MC レコメンダー システムの設計に向けた最初の試みを行います。
具体的には、既存の GNN ベースの推奨手法をそのまま採用するのではなく、新しい基準嗜好を意識したライト グラフ畳み込み CPA-LGC 手法を考案します。これは、ユーザーの基準嗜好と複雑な高レベルの協調信号を正確に捕捉することができます。
接続を注文します。
この目的を達成するために、まず、ユーザー項目の MC 評価を拡張された 2 部グラフに変換する MC 拡張グラフを構築し、MC 評価の協調シグナルから潜在的に学習します。
次に、基準選好認識の機能を強化するために、CPA-LGC は、ユーザー固有の基準選好埋め込みや項目固有の基準埋め込みなど、新しく特徴付けられた埋め込みをグラフ畳み込みモデルに組み込みます。
4 つの現実世界のデータセットを使用した包括的な評価を通じて、(a) ベンチマーク MC 推奨手法および GNN を使用したベンチマーク推奨手法に対する圧倒的な利益の優位性、(b) CPA-LGC のコア コンポーネントの有効性、および (c)
計算効率。

要約(オリジナル)

The multi-criteria (MC) recommender system, which leverages MC rating information in a wide range of e-commerce areas, is ubiquitous nowadays. Surprisingly, although graph neural networks (GNNs) have been widely applied to develop various recommender systems due to GNN’s high expressive capability in learning graph representations, it has been still unexplored how to design MC recommender systems with GNNs. In light of this, we make the first attempt towards designing a GNN-aided MC recommender system. Specifically, rather than straightforwardly adopting existing GNN-based recommendation methods, we devise a novel criteria preference-aware light graph convolution CPA-LGC method, which is capable of precisely capturing the criteria preference of users as well as the collaborative signal in complex high-order connectivities. To this end, we first construct an MC expansion graph that transforms user–item MC ratings into an expanded bipartite graph to potentially learn from the collaborative signal in MC ratings. Next, to strengthen the capability of criteria preference awareness, CPA-LGC incorporates newly characterized embeddings, including user-specific criteria-preference embeddings and item-specific criterion embeddings, into our graph convolution model. Through comprehensive evaluations using four real-world datasets, we demonstrate (a) the superiority over benchmark MC recommendation methods and benchmark recommendation methods using GNNs with tremendous gains, (b) the effectiveness of core components in CPA-LGC, and (c) the computational efficiency.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google