項目に関する知識グラフを用いた推薦のための文脈化されたグラフアテンションネットワーク

コンピューターサイエンス 情報科学 人工知能
推薦システム ナレッジグラフ グラフニューラルネットワーク 文脈情報 バイアス付きランダムウォーク 回帰ニューラルネットワーク 個別化された好み

知識に基づく推薦システム：コンテクスチュアライズド・グラフ・アテンション・ネットワーク

近年、オンライン情報とコンテンツの爆発的な増加に伴い、推薦システムは電子商取引サイトやソーシャルメディアプラットフォームなどの様々なシーンでますます重要になっています。これらのシステムは通常、ユーザーが興味を持つ可能性のあるアイテムのリストを提供することを目的としています。しかし、従来のユーザー行動データに基づく方法（例えば、協調フィルタリング、深層学習）はデータの希少性やコールドスタート問題に直面しています。これらの問題を解決するために、研究者はユーザーのソーシャルネットワークやレビューのテキストなど、様々な補助情報（side information）を推薦システムに取り入れることを試みています。

研究の背景

これらの補助情報の中で、アイテム知識グラフ（Knowledge Graph, KG）は豊富なアイテム間の関係を含んでおり、推薦システムの性能を大幅に向上させることが証明されています。知識グラフは本質的に異質なネットワークであり、ノードはエンティティを、エッジは関係を表します。しかし、これらのグラフ情報を有効に推薦システムに結びつける方法は依然として課題です。既存の方法は大きく三つに分類されます：正則化に基づく方法、パスに基づく方法、およびグラフニューラルネットワーク（Graph Neural Networks, GNN）に基づく方法です。しかし、これらの方法にはいくつかの欠点があり、以下の挑戦を解決するのが難しいとされています：

  1. チャレンジ1：大多数のGNNに基づく方法は、ローカルグラフコンテキストを集約する際、ユーザーのエンティティに対する個別の嗜好を考慮しておらず、そのため推薦システムが近隣情報に対するユーザーの個別のニーズを効果的に捉えることができません。
  2. チャレンジ2：既存の方法はエンティティの非ローカルコンテキスト（すなわち高次の隣接）を捕らえる際に効果が低いです。なぜなら、知識グラフはしばしば不完全であり、重要なエンティティ間の接続が欠落することがあるためです。
  3. チャレンジ3：ユーザーの歴史的アイテムは、彼女の好みを候補アイテムに予測する際に通常重要な役割を果たします。以前の大多数の方法はユーザーの表現を学ぶ際に、彼女の歴史的アイテム情報を直接集約し、異なる歴史的アイテムがターゲットアイテムに対する重要性を無視していました。

論文の出典

この論文「Contextualized Graph Attention Network for Recommendation with Item Knowledge Graph」は、Yong Liu、Susen Yang、Yonghui Xu、Chunyan Miao、Min Wu、Juyong Zhangによって執筆され、それぞれアリババグループ、シンガポール国立技術大学、南洋理工大学、山東大学、A*STARなどの機関に所属しています。受領日は2020年6月20日、改訂日は2021年4月28日、受諾日は2021年5月10日です。論文はIEEE Transactions on Knowledge and Data Engineering (TKDE)に発表され、現在のバージョンの日付は2022年12月7日です。

研究プロセスの詳細

研究方法

論文では、ローカルおよび非ローカルなグラフコンテキスト情報を組み合わせ、ユーザーの歴史的行動データを利用して推薦を行う新しい推薦フレームワーク、Contextualized Graph Attention Network (CGAT) を提案しています。

  1. ローカルグラフコンテキスト（Local Graph Context）：

    • ユーザー特定のグラフ注意メカニズム（User-specific Graph Attention Mechanism）を使用して隣人情報を集約します。異なるユーザーが同じ隣人エンティティに依存する度合いは異なります。
    • エンティティとその隣人の表現を線型変換を通じて結び、隣人エンティティの重要性を理解するために関係ベクトルを導入します。

  2. 非ローカルグラフコンテキスト（Non-Local Graph Context）：

    • 偏りのあるランダムウォークサンプリング戦略（Biased Random Walk Sampling, BRWS）を設計し、非ローカルなコンテキストを抽出します。ターゲットエンティティから始めてランダムウォークによって複数のパスを生成し、重要な高次隣人を抽出します。
    • 非ローカルコンテキスト依存関係をモデリングするためにゲート付きリカレントユニット（Gated Recurrent Unit, GRU）を使用し、頻繁に出現するコンテキストエンティティを保持します。

  3. ユーザーの歴史的行動のコンテキスト（User Interaction Graph Context）：

    • アイテム特定の注意メカニズム（Item-specific Attention Mechanism）を提案し、ユーザーの歴史的アイテムに基づいて候補アイテムを重み付け処理し、ユーザーの嗜好をモデル化します。

実験と結果

本研究では、実データセットを用いた広範な実験が行われ、既存の最先端のKGに基づく推薦方法と比較されました。その結果、CGATの有効性が検証されました。

  • FM、ML、DFデータセットにおいて、CGATは精度とリコールにおいて基準方法（GraphSAGE、FMG、MCRec、CFKG、RippleNet、MKR、KGNN-LS、KGAT）よりも明らかに優れていました。
  • フレームワークの異なるコンポーネントを評価した結果、ローカルおよび非ローカルのコンテキスト情報はどちらも推薦の精度を顕著に向上させることが確認されました。特に、偏ったランダムウォークによる非ローカルコンテキストの捕捉と、ローカルコンテキストを処理する際のユーザー特定のグラフ注意メカニズムの有効性が強調されました。
  • さらに、ユーザーデータの希少性に関する調査を通じて、CGATがインタラクションデータが希少な場面においても優れた性能を発揮することが確認されました。これは主にフレームワークがKGからのコンテキスト情報を効果的に統合できるためです。

結論と意義

CGATモデルは推薦システムに新しい視点を提供し、知識グラフ内のローカルおよび非ローカルなコンテキスト情報を明示的に捕捉し、ユーザーの歴史的行動データと組み合わせることで、推薦システムの精度と個別サービス能力を大幅に向上させました。将来の研究では、CGATの他のKG推薦シナリオへの応用をさらに拡大し、推薦効果を向上させるためのより多くの種類の集約戦略を探ることができます。

本研究は科学的に重要な意義を持つのみならず、実践的な応用においても有効な技術手段を提供し、電子商取引プラットフォームやソーシャルメディアなどの分野でユーザーに興味のあるアイテムをより正確に推薦し、ユーザーエクスペリエンスと商業的利益を向上させる助けとなります。