Efficient Recommendations via Graph Coarsening and Label Propagation
Abstractの概要
本論文は、全グラフでの伝播が計算コスト的に高く、グラフニューラルネットワーク（GNN）がメモリ不足に陥る可能性がある電気通信分野における大規模なグラフベースの推薦について研究している。著者らは、まずユーザー間のやり取りの頻度、共通の姓、金銭的な依存関係などのヒューリスティクスを用いて、ユーザーグラフをビジネス上意味のあるコミュニティに粗視化する2段階の拡散フレームワークを提案している。次に、粗視化されたグラフ上でラベル伝播（LPA）または軽量なGraphSAGEモデルを用いて初期伝播ステップを実行し、続いて2回目のLPAステップを行って各コミュニティ内の予測を微調整する。実際の1,380万人のユーザーデータセットを用いた実験により、提案手法と全グラフを用いるアプローチや代替の粗視化戦略との比較を行っている。
新規性
主な貢献は、ドメイン主導のグラフ粗視化と、コミュニティ間の推薦とコミュニティ内のパーソナライゼーションを分離する2段階の拡散パイプラインを統合したことである。Louvainのような一般的な粗視化ベースラインとは異なり、本手法はビジネスルールを利用して、産業環境における暗黙の家族や世帯構造を反映したサブグラフを形成する。
成果
両方の段階でLPAを使用した場合、提案手法はLPAベースの手法の中で最高のパフォーマンスを達成し、全グラフLPAのベースラインと比較してNDCG@5を24%（0.0275に対し0.0341）向上させた。第1段階でGNNを使用するとNDCG@5はさらに0.0524まで上昇し、元の全グラフでGNNを学習させた際に発生するメモリ不足エラーの回避に成功している。効率面では、提案された粗視化の処理に約34秒かかり、コミュニティ内の微調整ステップでは1コミュニティあたり平均358ミリ秒かかるため、高速なオンライン推論が可能となっている。
論文の注目点
- コミュニティ間の伝播とコミュニティ内の微調整を適用する前に、1,380万ノードのユーザーグラフをビジネス的知見に基づいたコミュニティに粗視化する。
- 全グラフのラベル伝播や代替の粗視化手法と比較して、提案手法はLPA系の中で最高の推薦品質をもたらし、第1段階でGNNと組み合わせた場合に最も高い全体精度を達成する。
- 精度、構造的な忠実度、スケーラビリティの間のトレードオフを明示的に定量化し、LPAのみの構成は低遅延なオプションを提供し、GNNの組み込みは予測パフォーマンスを最大化することを示している。