Linear-Time Graph Neural Networks for Scalable Recommendations

要約

情報爆発の時代において、レコメンダー システムは、ユーザーにパーソナライズされた推奨事項を提供するための重要なツールです。
レコメンダー システムの鍵は、以前のユーザーとアイテムのインタラクションに基づいてユーザーの将来の行動を予測することです。
ユーザーとアイテムのインタラクション データの高次の接続性を捕捉する強力な表現力により、近年、グラフ ニューラル ネットワーク (GNN) を活用してレコメンダー システムの予測パフォーマンスを向上させることへの関心が高まっています。
それにもかかわらず、古典的な行列分解 (MF) およびディープ ニューラル ネットワーク (DNN) アプローチは、スケーラビリティの利点により、現実世界の大規模レコメンダー システムにおいて依然として重要な役割を果たしています。
GNN 高速化ソリューションが存在するにもかかわらず、GNN ベースのレコメンダー システムが従来の MF および DNN 手法と同じくらい効率的に拡張できるかどうかは未解決の問題のままです。
この論文では、優れた予測精度を実現する GNN の強力な表現力を維持しながら、GNN ベースのレコメンダー システムをスケールアップして、古典的な MF アプローチと同等のスケーラビリティを実現する線形時間グラフ ニューラル ネットワーク (LTGNN) を提案します。
提案されたアルゴリズムの有効性と拡張性を検証するために、広範な実験とアブレーション研究が提示されています。
PyTorch に基づく実装が利用可能です。

要約(オリジナル)

In an era of information explosion, recommender systems are vital tools to deliver personalized recommendations for users. The key of recommender systems is to forecast users’ future behaviors based on previous user-item interactions. Due to their strong expressive power of capturing high-order connectivities in user-item interaction data, recent years have witnessed a rising interest in leveraging Graph Neural Networks (GNNs) to boost the prediction performance of recommender systems. Nonetheless, classic Matrix Factorization (MF) and Deep Neural Network (DNN) approaches still play an important role in real-world large-scale recommender systems due to their scalability advantages. Despite the existence of GNN-acceleration solutions, it remains an open question whether GNN-based recommender systems can scale as efficiently as classic MF and DNN methods. In this paper, we propose a Linear-Time Graph Neural Network (LTGNN) to scale up GNN-based recommender systems to achieve comparable scalability as classic MF approaches while maintaining GNNs’ powerful expressiveness for superior prediction accuracy. Extensive experiments and ablation studies are presented to validate the effectiveness and scalability of the proposed algorithm. Our implementation based on PyTorch is available.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google