🐡
【論文要約】Interest-aware Message-Passing GCN for Recommendation (WWW ’21)
元論文:Interest-aware Message-Passing GCN for Recommendation
コード:GitHub - liufancs_IMP_GCN
Liu, Fan, et al. "Interest-aware message-passing gcn for recommendation." Proceedings of the Web Conference 2021. 2021.
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。
先行研究と比べてどこがすごい?
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。
技術・手法・モデルのキモはどこ?
モデル構造
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、
伝搬に関しては、LightGCNと同様の方法を採用している。
サブグラフ生成
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。
どうやって有効だと検証した?
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。
議論はある?
- 論文中では、IMP-GCN によってGCN モデルにおける過平滑化問題に取り組む上で高次近傍を区別することの重要性を示していると述べている
Discussion