Réseau de neurones graphiques sensible aux méta-chemins et aux entités pour la recommandation

Dans les réseaux de neurones sur graphes (GNN), le passage de messages aggrège itérativement les informations des nœuds à partir de leurs voisins directs tout en ignorant la nature séquentielle des connexions à plusieurs sauts entre nœuds. Or, ces connexions séquentielles — par exemple les métachemins — captent des informations critiques pour les tâches ultérieures. Concrètement, dans les systèmes de recommandation (RS), le fait de négliger ces informations conduit à une distillation insuffisante des signaux collaboratifs. Dans ce travail, nous utilisons des sous-graphes collaboratifs (CSG) et les métachemins pour former des sous-graphes sensibles aux métachemins, capables de capturer explicitement la sémantique séquentielle dans les structures de graphe. Nous proposons PEAGNN (meta\textbf{P}ath and \textbf{E}ntity-\textbf{A}ware \textbf{G}raph \textbf{N}eural \textbf{N}etwork), un modèle qui entraîne des GNN à plusieurs couches afin d’effectuer une agrégation d’informations sensible aux métachemins sur ces sous-graphes. Les informations ainsi agrégées provenant de différents métachemins sont ensuite fusionnées à l’aide d’un mécanisme d’attention. Enfin, PEAGNN fournit des représentations pour les nœuds et les sous-graphes, qui peuvent être utilisées pour entraîner un réseau de neurones multicouche (MLP) afin de prédire les scores des paires utilisateur-article ciblées. Pour exploiter la structure locale des CSG, nous introduisons une notion d’« attention aux entités » qui agit comme un régulariseur contrastif sur les embeddings des nœuds. En outre, PEAGNN peut être combiné avec des couches représentatives telles que GAT, GCN ou GraphSage. L’évaluation expérimentale montre que notre méthode surpasser les baselines compétitives sur plusieurs jeux de données pour les tâches de recommandation. Une analyse complémentaire démontre également que PEAGNN apprend efficacement des combinaisons significatives de métachemins à partir d’un ensemble donné de métachemins.