Metapath- und Entitätswahrnehmender Graphen-neuronaler Netzwerk für Empfehlungen

In Graph Neural Networks (GNNs) agiert der Message-Passing-Ansatz iterativ, indem er Informationen von Knoten aus ihren unmittelbaren Nachbarn aggregiert, wobei jedoch die sequenzielle Natur mehrschrittiger Knotenverbindungen vernachlässigt wird. Solche sequenziellen Knotenverbindungen – beispielsweise Metapaths – enthalten entscheidende Einsichten für nachgeschaltete Aufgaben. Konkret führt die Ignorierung dieser Informationen in Empfehlungssystemen (Recommender Systems, RSs) zu einer unzureichenden Auswertung kollaborativer Signale. In diesem Artikel nutzen wir kollaborative Subgraphen (Collaborative Subgraphs, CSGs) gemeinsam mit Metapaths, um metapath-orientierte Subgraphen zu konstruieren, die die sequenziellen Semantiken in Graphstrukturen explizit erfassen. Wir stellen PEAGNN (Meta\textbf{P}ath and \textbf{E}ntity-\textbf{A}ware \textbf{G}raph \textbf{N}eural \textbf{N}etwork) vor, das mehrschichtige GNNs trainiert, um eine metapath-orientierte Informationsaggregation auf diesen Subgraphen durchzuführen. Die aggregierten Informationen aus verschiedenen Metapaths werden anschließend mittels eines Aufmerksamkeitsmechanismus fusioniert. Schließlich liefert PEAGNN Darstellungen sowohl für Knoten als auch für Subgraphen, die zur Ausbildung eines MLPs genutzt werden können, um Bewertungen für Zielbenutzer-Item-Paare vorherzusagen. Um die lokale Struktur der CSGs optimal zu nutzen, führen wir eine entitätsorientierte Ausrichtung ein, die als kontrastiver Regularisierer auf die Knoten-Embeddings wirkt. Darüber hinaus ist PEAGNN kompatibel mit etablierten GNN-Layern wie GAT, GCN und GraphSAGE. Unsere empirische Evaluation zeigt, dass unsere Methode gegenüber mehreren etablierten Baselines auf mehreren Datensätzen für Empfehlungsaufgaben überlegen ist. Eine weitere Analyse belegt zudem, dass PEAGNN in der Lage ist, sinnvolle Kombinationen von Metapaths aus einer gegebenen Menge von Metapaths zu lernen.