説明可能な推薦のための知識強化グラフニューラルネットワーク

2024-06-18 Tue
ナレッジエンハンスドグラフニューラルネットワークを用いた説明可能な推薦導入オンライン情報の爆発的な増加に伴い、推薦システムは情報過多問題を解決するうえで重要な役割を果たしています。従来の推薦システムは通常、ユーザの履歴に基づいて推薦を生成する協調フィルタリング（Collaborative Filtering、以下CF）方法に依存しています。CF方法は主にメモリベースとモデルベースの技術に分かれます。メモリベースの方法にはユーザベースやアイテムベースのCFがあり、モデルベースの方法は行列分解などのモデルを学習して推薦を行います。近年、ディープラーニング技術は情報検索や推薦システムの研究において非常に高い有効性を示しています。多くのディープラーニングに基づく推薦方法が高い推薦性能を達成しています。しかし、これらの方法は推薦の正確性で優れている一方で、決定過程の説明性や透明性を欠いています。推薦システムの透明性とユーザ満足度を向上させるために、説明可能な推薦の研究が徐々に注目されています。説明可能な推薦は、推薦をより透明かつ説明可能にするだけでなく、システムの信頼性とユーザ満足度を向上させます。
論文出典本論文は「Knowledge Enhanced Graph Neural Networks for Explainable Recommendation」と題され、中科院深圳先進技術研究院のZiyu Lyu、Min Yang、重慶郵電大学のYue Wu、中科大のJunjie Lai、中山大学のChengming Li、重慶大学のWei Zhouとの共同で執筆されました。この論文は2023年5月にIEEE Transactions on Knowledge and Data Engineeringに掲載されました。
研究作業フロー
a) 研究フロー本文では、説明可能な推薦に使用するナレッジエンハンスドグラフニューラルネットワーク（KEGNN）を提案します。この方法は以下の手順から成ります：
知識による意味表現学習まず、ユーザ、アイテム、およびユーザとアイテムの相互作用の意味表現を学習し、外部知識ベースを使用して意味表現を強化します。ユーザとアイテムに対して、その履歴のレビューをまとめ、レビューの時間的な順序を考慮してテキスト文書を作成し、双方向長短期記憶ネットワーク（BiLSTM）を使って全体および文レベルの文脈表現を捉え、知識ベースを通じて関連知識を検索して意味表現を強化します。
ユーザ行動学習および推論意味表現を取得した後、ユーザ行動グラフを構築します。このグラフのノードにはユーザとアイテムが含まれ、エッジはユーザとアイテムの相互作用関係を示します。ユーザ行動グラフは知識によって強化された意味表現を初期埋め込みとして使用し、グラフニューラルネットワーク（GNN）を通じて情報伝達と推論を行い、高階構造情報を捕捉し、多跳推論を行います。
階層型ニューラル協調フィルタリングユーザ行動学習と推論の後、階層型ニューラル協調フィルタリング層を設計し、ユーザとアイテムの相互作用予測を行います。第1層はユーザとアイテムの表象を結びつけ、第2層はユーザとアイテムの関係の埋め込みと組み合わせて、高度なニューラルネットワーク層を通じてスコアを予測します。
説明生成生成モードとコピー機構を融合した説明生成モジュールを設計し、ゲートリカレントユニット（GRU）を用いて人間のようなテキスト説明を生成し、コピー機構を通じて元のレビューから段落を選択して説明を生成します。
b) 主な研究結果本文では、3つの実データセットにおける実験を通じて、KEGNNが予測精度と説明性の両面で既存の方法より優れていることを示しました：
電子製品データセットにおいて、KEGNNは平均二乗誤差（RMSE）で9.74%、平均絶対誤差（MAE）で4.02%の改善を達成しました。
家庭用品とキッチン用品データセットにおいて、KEGNNはRMSEで0.88%、MAEで2.59%の向上を達成しました。
音楽機器データセットにおいて、KEGNNはRMSEで7.38%、MAEで1.63%の向上を達成しました。
さらに、KEGNNは高品質で人間のようなテキスト説明を生成でき、説明性指標（Rouge-1、Rouge-2、Rouge-LのPrecisionおよびF1 Score）は比較方法よりも顕著に優れていました。
c) 研究結論KEGNN法は外部知識ベースを通じて意味表現を強化し、ユーザ行動グラフ上での推論を行うことで、ユーザ行動を総合的に理解できます。階層型協調フィルタリングとコピー機構を融合した説明生成モジュールを通じて、高い精度且つ説明可能な推薦結果を実現しました。この研究は、知識エンハンスメント、グラフニューラルネットワークおよびディープラーニング方法を統合することで、推薦システムの説明性とユーザ満足度を効果的に向上させる可能性を示しました。
d) 研究の特徴知識エンハンスメント： 外部知識ベースから知識を取得し、ユーザ、アイテムおよびその相互作用の意味表現を強化。
ユーザ行動グラフ： ユーザ行動グラフを構築し、グラフニューラルネットワークを通じて高階推論と嗜好の伝播を実現。
階層型協調フィルタリング：階層型ニューラル協調フィルタリング層を設計し、ユーザとアイテムの関係を組み合わせて精密なスコア予測を行う。
説明生成：コピー機構とGRUを統合して人間のような説明を生成し、推薦結果をより直感的で理解しやすくする。
e) その他の情報本文にはモデルコンポーネントの重要性分析も含まれており、異なるモジュールを削除した後の性能変化を比較することで、各設計モジュールが最終結果に与える貢献を示しています。誤差分析結果は、モデルが異なる評価タイプの予測精度に不均衡があることを明らかにし、今後の改良の方向性を示しています。また、生成された説明の実例を挙げて、モデルの説明性を具体的に示しました。
まとめ本論文ではKEGNN方法を提案し、外部知識ベース、グラフニューラルネットワークおよびディープラーニング技術を十分に活用して、推薦システムにおける精度と説明性のバランス問題を解決しました。研究結果は、推薦性能を向上させながら、高品質な説明性を提供できるKEGNNがユーザエクスペリエンスとシステム透明性の向上に重要であることを示しています。この方法は多くの分野における推薦システムで広く応用される前途があります。