🐡

【論文要約】Interest-aware Message-Passing GCN for Recommendation (WWW ’21)

2023/05/20に公開

どんな論文？

協調フィルタリングにおけるGraph Convolution Network(GCN)の過剰平滑化問題をサブグラフを用いて解決し、層を重ねることで従来を上回る性能を示した Interest-aware Message-Passing GCN (IMP-GCN) を提案した論文。

GCNには層を重ねると性能が劣化してしまう過剰平滑化問題(over-smoothing problem)が知られており、それはGCNを用いた協調フィルタリング手法でも同様だった。
この研究では、同一のサブグラフ内でmessage-passingを行う手法を提案し、この過剰平滑化問題を解決している。

サブグラフ内のユーザーは同じ興味を持った同一の属性であるという仮定のもと、 $N_s$ 個のサブグラフを用意し、それぞれのサブグラフ内で graph convolution を行うことで、サブグラフ外の余計な情報を取り除いて頂点の埋め込みを獲得する。

伝搬に関しては、LightGCNと同様の方法を採用している。

それぞれのユーザーがどのグループに属するのかをクラス分類として学習する。この部分は教師なしで学習されるため、ラベル作成などをする必要はない。

層数を増やしても LightGCNなどとは違って性能が向上し過剰平滑化問題に対応していることを実験により確認。

他の手法に比べて高い性能であることを実験により確認。