セッションベースの社会的推薦を動的グラフアテンションネットワークを用いて実現する

オンラインコミュニティであるFacebookやTwitterは非常に人気が高く、多くのユーザーの日常生活において重要な部分となっています。これらのプラットフォームを通じて、ユーザーは情報を発見し、作成し、他のユーザーがそれを利用することができます。このような状況下で、ユーザーに適切な情報を推薦することは、プラットフォームの存続にとって極めて重要となります。しかし、オンラインコミュニティにおける推薦は難問を孕んでいます：1) ユーザーの興味は動的であり、2) ユーザーは友人の影響を受けます。さらに、影響力のある人物（インフルエンサー）は文脈によって異なる場合があります。つまり、異なるトピックについては異なる友人が頼りになる可能性があります。したがって、両方の信号をモデル化することが推薦のために不可欠です。本研究では、動的グラフアテンションニューラルネットワークに基づくオンラインコミュニティ向け推薦システムを提案します。リカレントニューラルネットワークを使用して動的なユーザービヘイビアをモデル化し、グラフアテンションニューラルネットワークを使用して文脈依存の社会的影響力をモデル化します。このネットワークは、ユーザーの現在の興味に基づいて動的にインフルエンサーを推論します。全体的なモデルは大規模データに対して効率的に適合させることができます。複数の実世界データセットを用いた実験結果は、当該手法が最新のモデルを含むいくつかの競合基準より優れていることを示しています。