メタパスおよびエンティティを意識したグラフニューラルネットワークによるレコメンデーション

グラフニューラルネットワーク（GNN）におけるメッセージパッシングは、ノードの情報をその直接の隣接ノードから反復的に集約する一方で、マルチホップのノード接続が持つ順序性を無視している。このような順序的なノード接続、例えばメタパス（metapath）は、下流タスクにおいて重要な洞察を捉えている。具体的には、レコメンデーションシステム（RS）において、これらの洞察を無視すると、協調信号の適切な抽出（distillation）が行われず、性能が劣化する。本論文では、協調サブグラフ（Collaborative Subgraphs: CSGs）とメタパスを組み合わせて、メタパスに意識的なサブグラフを構築し、グラフ構造内の順序的意味を明示的に捉える。そこで、メタパスとエンティティに意識的なグラフニューラルネットワーク（meta\textbf{P}ath and \textbf{E}ntity-\textbf{A}ware \textbf{G}raph \textbf{N}eural \textbf{N}etwork: PEAGNN）を提案する。PEAGNNは、複数層のGNNを用いて、このようなサブグラフ上でメタパスに意識的な情報集約を実行する。異なるメタパスから得られる集約情報を、アテンション機構を用いて融合する。最終的に、PEAGNNはノードおよびサブグラフの表現を生成し、これらを用いてMLPを学習させ、ターゲットのユーザー・アイテムペアに対するスコア予測を行う。また、CSGの局所構造を活用するために、エンティティに意識的なアプローチを導入し、ノード埋め込みに対して対照学習（contrastive regularizer）として機能させる。さらに、PEAGNNはGAT、GCN、GraphSageなどの代表的な層と組み合わせて使用可能である。実証的な評価により、提案手法は複数のデータセットにおいて、既存の最先端手法を上回る性能を示した。さらに、詳細な分析から、PEAGNNが与えられたメタパスの集合から意味のあるメタパスの組み合わせを学習していることも明らかになった。