Dual-Channel Multiplex Graph Neural Networks for Recommendation

要約

効率的なレコメンダー システムは、個人の好みを反映するユーザーとアイテムの属性を正確に取得する上で重要な役割を果たします。
既存のレコメンデーション技術の中には、クリック、お気に入りのマーク付け、オンライン ショッピング プラットフォームでの購入など、現実世界のレコメンデーション シナリオにおけるユーザーとアイテム間のさまざまな種類のインタラクション関係のモデル化に焦点を移し始めているものもあります。
それにもかかわらず、これらのアプローチは依然として 2 つの重大な欠点を抱えています。(1) ユーザーとアイテム間の多重関係によって形成されるさまざまな行動パターンが表現学習に及ぼす影響のモデル化と活用が不十分であること、(2) 行動におけるさまざまな関係の影響が無視されていること
レコメンダー システム シナリオにおけるターゲット関係のパターン。
この研究では、前述の課題に対処する新しい推奨フレームワークであるデュアルチャネル多重グラフ ニューラル ネットワーク (DCMGNN) を紹介します。
これには、多重ユーザーとアイテムの相互作用関係から構成される行動パターンをキャプチャするための明示的な行動パターン表現学習器が組み込まれており、ターゲット関係に対するさまざまな補助関係の影響を発見するための関係チェーン表現学習と関係チェーン認識エンコーダーが含まれています。
異なる関係間の依存関係を調べ、行動パターンにおける関係の適切な順序を見つけ出します。
3 つの現実世界のデータセットに対する広範な実験により、私たちの \モデル がさまざまな最先端の推奨手法を超えていることが実証されました。
これは、R@10 および N@10 に関して、すべてのデータセットの平均で、最良のベースラインをそれぞれ 10.06\% および 12.15\% 上回っています。

要約(オリジナル)

Efficient recommender systems play a crucial role in accurately capturing user and item attributes that mirror individual preferences. Some existing recommendation techniques have started to shift their focus towards modeling various types of interaction relations between users and items in real-world recommendation scenarios, such as clicks, marking favorites, and purchases on online shopping platforms. Nevertheless, these approaches still grapple with two significant shortcomings: (1) Insufficient modeling and exploitation of the impact of various behavior patterns formed by multiplex relations between users and items on representation learning, and (2) ignoring the effect of different relations in the behavior patterns on the target relation in recommender system scenarios. In this study, we introduce a novel recommendation framework, Dual-Channel Multiplex Graph Neural Network (DCMGNN), which addresses the aforementioned challenges. It incorporates an explicit behavior pattern representation learner to capture the behavior patterns composed of multiplex user-item interaction relations, and includes a relation chain representation learning and a relation chain-aware encoder to discover the impact of various auxiliary relations on the target relation, the dependencies between different relations, and mine the appropriate order of relations in a behavior pattern. Extensive experiments on three real-world datasets demonstrate that our \model surpasses various state-of-the-art recommendation methods. It outperforms the best baselines by 10.06\% and 12.15\% on average across all datasets in terms of R@10 and N@10 respectively.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google