Improving Matrix Completion by Exploiting Rating Ordinality in Graph Neural Networks

要約

マトリックス補完は、レコメンダー システムにおける重要な研究分野です。
最近の手法では、評価マトリックスを、観測された評価を示すラベル付きエッジを持つユーザー-アイテムの 2 部グラフとして表示し、グラフ ニューラル ネットワーク (GNN) を使用してユーザー ノードとアイテム ノード間のエッジを予測します。
その有効性にもかかわらず、各評価タイプを独立した関係タイプとして扱うため、評価の順序性を十分に考慮することができません。
この論文では、文献では十分に研究されていない GNN の評価順序を利用する新しいアプローチを検討します。
GNN ベースの行列補完で評価順序を活用するために、ROGMC と呼ばれる新しい方法を導入します。
累積的な優先順位の伝播を使用して、GNN のメッセージ パッシングに評価の順序を直接組み込み、評価タイプの固有の順序に基づいてユーザーのより強い優先順位をより強調できるようにします。
このプロセスは、基礎となる興味情報を使用した嗜好学習を容易にする興味正則化によって補完されます。
私たちの広範な実験により、ROGMC は GNN の評価タイプを使用する既存の戦略よりも常に優れていることが示されています。
私たちは、GNN に格付け順序性を利用する実現可能性を探る試みが、この方向でのさらなる研究を刺激する可能性があると期待しています。

要約(オリジナル)

Matrix completion is an important area of research in recommender systems. Recent methods view a rating matrix as a user-item bi-partite graph with labeled edges denoting observed ratings and predict the edges between the user and item nodes by using the graph neural network (GNN). Despite their effectiveness, they treat each rating type as an independent relation type and thus cannot sufficiently consider the ordinal nature of the ratings. In this paper, we explore a new approach to exploit rating ordinality for GNN, which has not been studied well in the literature. We introduce a new method, called ROGMC, to leverage Rating Ordinality in GNN-based Matrix Completion. It uses cumulative preference propagation to directly incorporate rating ordinality in GNN’s message passing, allowing for users’ stronger preferences to be more emphasized based on inherent orders of rating types. This process is complemented by interest regularization which facilitates preference learning using the underlying interest information. Our extensive experiments show that ROGMC consistently outperforms the existing strategies of using rating types for GNN. We expect that our attempt to explore the feasibility of utilizing rating ordinality for GNN may stimulate further research in this direction.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google