知識グラフを用いたソーシャル強化説明可能な推薦

2024-06-18 Tue
知識グラフを基盤としたソーシャル強化型説明可能な推薦システムはじめにインターネット情報量の増加に伴い、ユーザーと商品の関連情報も急速に拡大し、情報過多問題が日々深刻化しています。推薦システムはユーザーに対して少量の好みに合った商品を推薦することでこの問題を効果的に緩和できます。それは、ユーザーが迅速に関心のあるコンテンツを見つける手助けとなるだけでなく、企業には精度の高いマーケティングを可能にし、顧客ロイヤルティを向上させます。電子商取引、ソーシャルメディア、検索エンジンなど様々なプラットフォームで、推薦システムの役割はますます重要になっています。
推薦システムの性能は、推薦技術に大いに依存しています。初期の協調フィルタリング（Collaborative Filtering, CF）法は、ユーザーが以前にインタラクションを持った商品に類似した他の商品を推薦する方法です。しかし、ユーザーと商品間のインタラクションが疎な場合、CF法は効果が薄いです。この制約を解決するために、商品の属性、ユーザー情報、コンテキストなどの補助情報がモデルに統合されています。特に補助情報が特徴ベクトルとして変換され、ユーザーIDや商品IDと共に監督学習モデルに入力される場合、この方法は特定のシナリオで良好な結果を示しますが、各インタラクションが独立した事例と見なされ、高次の近隣情報を統合できないという欠点があります。最近の研究では、属性間の関係が密接であることが示されており、それを知識グラフ（Knowledge Graph, KG）として組織することが可能です。この背景下で、推薦に使用される知識グラフの構造をモデル化する多くの方法が開発されました。それらは正則化方式、パス方式、グラフニューラルネットワーク（Graph Neural Network, GNN）方式に分類できます。
現在の多くの研究は、主に商品の知識グラフを考慮しており、ユーザーの意思決定に対するソーシャルインフルエンスを無視しています。実際、ユーザーは意思決定においてソーシャル関係からの影響を受けており、その影響は伝播します。例えば、ユーザーAが友人Bの推薦で特定のアプリに興味を持つ可能性があり、ユーザーBの興味はさらにその友人に伝わります。したがって、ソーシャルグラフの全体的なモデリングは推薦システムの改善にとって重大な意義を持ちます。
論文出典本研究は以下の著者によって完成されました：Chunyu Liu、Wei Wu、Siyu Wu、Lu Yuan、Rui Ding、Fuhui Zhou、およびQihui Wu。彼らはそれぞれ、南京郵電大学通信と情報工学学院、南京航空航天大学電子と情報工学学院、ペンシルベニア州立大学教育学部学習とパフォーマンスシステム部に所属しています。本研究は《IEEE Transactions on Knowledge and Data Engineering》の2024年2月の第36巻第2号に発表されました。
研究手順研究対象と手順データ構築：本研究では、主に2つの実際のデータセット、last-fmとyelp2018を使用しました。last-fmデータセットはオンライン音楽システムから抽出され、ユーザーのアーティストに対するレビューとソーシャル関係を含んでいます。yelp2018データセットはyelpチャレンジから抽出され、ユーザーのレストランやバーに対する評価とソーシャル関係を含んでいます。最後に、これらのデータをユーザー-アイテム相互作用グラフ、アイテム知識グラフ、ユーザーソーシャルグラフとして構築しました。
埋め込み層：TransRモデルを使用して知識グラフを埋め込み、エンティティと関係をベクトルに変換し、グラフのトポロジー構造を捕捉します。TransRは、エンティティと関係が同じ意味空間にないことを仮定し、訓練可能な行列を通じてエンティティ埋め込みをエンティティ空間から関係空間に投射します。埋め込みの損失関数は、ネガティブサンプリング法によって最適化されます。
ユーザー集約層：グラフ畳み込みネットワーク（Graph Convolutional Network, GCN）フレームワークを使用して、隣接ノードの情報を再帰的に集約します。さらに、ノードレベルの注意メカニズムを設計し、中心ノードに対して重要なノードを強調します。ソーシャルグラフでは、友人の影響を統合することで新しいユーザーベクトルを生成します。
グラフレベルのアテンションネットワーク：ユーザーに対して、CKGとUSG情報を区分する重みを生成するためのグラフレベルのアテンションネットワークを設計しました。最終的なユーザー側情報はCKGとUSGからの情報の線形結合で得られます。
アイテム集約：アイテムの側情報は、CKG内の高次の隣接ノードを集約することで得られます。
高次接続学習：複数層のスタックにより、ユーザーとアイテムはより高次の隣接情報を集約できます。最終的には複数層のスタックを通じ、高次接続を捕捉し、前の層の出力を連結して最終的なユーザーとアイテムの埋め込みとします。
推論層：線形層と活性化関数を使用して表現を予測し、推薦スコア関数を得て、ランキング推薦に使用します。
実験と結果この記事では、モデルの有効性を検証するために広範囲な実験を行い、実験データを通じて異なるシナリオで他の最新手法と比較してシステムの性能が優れていることを示しました。
実験結果：複数のTop-K推薦タスクにおいて、本研究のモデルはHR、NDCG、Recall、およびPrecision指標で最良の結果を達成しました。特にユーザーグループにおいて、インタラクション頻度の高いユーザーグループおよび稀なインタラクションユーザーグループのいずれにおいても、last-fmおよびyelp2018で安定して優れた性能を示し、特にインタラクション頻度の高いユーザーグループで優れた結果を示しました。このことは、本モデルがユーザーの真の好みを効果的に捕捉することを証明しています。
コンポーネントの影響分析：異なるモデルバリエーションを設計し、多層レベルの注意アルゴリズムと知識グラフ埋め込みの重要性を確認しました。結果は、多層の注意メカニズムと高次の隣接関係の集約がモデルの性能を著しく向上させることを示しました。
具体的なケース分析：ソーシャルグラフCKGおよびUSGにおけるパス選択を通じて、モデルはユーザーの真の好みを正確に捕捉できます。例えばパスu25→i580→e45819→i45を通じて、モデルはユーザーu25の特定のレストランへの好みを正確に捕捉し、ソーシャル関係により新しいアイテムを正確に推薦します。
結論本研究は、ソーシャル強化知識グラフ注意ネットワーク（SKGAN）に基づく新たな説明可能な推薦方法を提案しました。共通知識グラフ（CKG）およびユーザーソーシャルグラフ（USG）を総合的に利用することで、本研究はユーザーとアイテムの埋め込み表現を豊富にし、GCNを通じて高次セマンティック情報の捕捉能力を大幅に強化しました。実験結果は、モデルが実際のタスクにおいて有効かつ優れた性能を示すことを検証し、ソーシャルグラフの導入により高次接続情報を掘り下げることが推薦システムの性能を著しく向上させることを証明しました。将来的な研究では、さらにユーザーおよびアイテム側の情報を探求し、推薦システムの性能をさらに最適化することを目指します。
研究の意義と価値本研究の方法は、学術的に知識グラフに基づく推薦システムの研究を推進するだけでなく、実際の応用においても効果的な解決策を提供し、電子商取引、ソーシャルメディアなどの分野における精度の高い推薦に広く適用できます。ユーザーに対する個性化推薦の要求を実現します。一連の革新的なアルゴリズム設計と実験による検証を通じて、本研究の方法は推薦性能を著しく向上させ、広範な応用価値と研究意義を持っています。