Impression-Informed Multi-Behavior Recommender System: A Hierarchical Graph Attention Approach

要約

レコメンダー システムは暗黙的なフィードバックから大きな恩恵を受けてきましたが、ユーザーとアイテムの間の複数の動作の相互作用のニュアンスを見逃していることがよくありました。
歴史的に、これらのシステムは、\textit{impression} (以前は \textit{view})、\textit{add-to-cart}、\textit{buy} などのすべての動作を単一の「インタラクション」ラベルの下に統合していました。
または、ターゲット行動 (多くの場合 \textit{buy} アクション) のみを優先し、貴重な補助シグナルを破棄します。
最近の進歩はこの単純化に対処しようとしましたが、主にターゲットの動作のみを最適化することに重点を置き、データ不足と闘いました。
さらに、彼らは行動に固有の微妙な階層構造を回避する傾向がありました。
これらのギャップを埋めるために、\textbf{H}階層型 \textbf{M}究極動作 \textbf{G}raph アテンション \textbf{N} ネットワーク (HMGN) を導入します。
この先駆的なフレームワークは、注意メカニズムを活用して相互行動と内部行動の両方から情報を識別すると同時に、最適化のためにマルチタスク階層ベイジアン パーソナライズド ランキング (HBPR) を採用しています。
スケーラビリティの必要性を認識した私たちのアプローチは、特殊なマルチビヘイビアのサブグラフ サンプリング手法を統合しています。
さらに、HMGN の適応性により、知識メタデータと時系列データをシームレスに組み込むことができます。
経験的な結果は、従来のグラフ ニューラル ネットワーク手法と比較して、NDCG@100 メトリクスで最大 64\% という顕著なパフォーマンス向上を記録し、モデルの優れた性能を証明しています。

要約(オリジナル)

While recommender systems have significantly benefited from implicit feedback, they have often missed the nuances of multi-behavior interactions between users and items. Historically, these systems either amalgamated all behaviors, such as \textit{impression} (formerly \textit{view}), \textit{add-to-cart}, and \textit{buy}, under a singular ‘interaction’ label, or prioritized only the target behavior, often the \textit{buy} action, discarding valuable auxiliary signals. Although recent advancements tried addressing this simplification, they primarily gravitated towards optimizing the target behavior alone, battling with data scarcity. Additionally, they tended to bypass the nuanced hierarchy intrinsic to behaviors. To bridge these gaps, we introduce the \textbf{H}ierarchical \textbf{M}ulti-behavior \textbf{G}raph Attention \textbf{N}etwork (HMGN). This pioneering framework leverages attention mechanisms to discern information from both inter and intra-behaviors while employing a multi-task Hierarchical Bayesian Personalized Ranking (HBPR) for optimization. Recognizing the need for scalability, our approach integrates a specialized multi-behavior sub-graph sampling technique. Moreover, the adaptability of HMGN allows for the seamless inclusion of knowledge metadata and time-series data. Empirical results attest to our model’s prowess, registering a notable performance boost of up to 64\% in NDCG@100 metrics over conventional graph neural network methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google