技術要約: GSPRec

問題提起

グラフ信号処理（GSP）を活用したものを含む、グラフベースの協調フィルタリング（CF）手法は、通常、ユーザーとアイテムの相互作用を二部グラフ上の信号として扱います。既存のGSPベースのアプローチは、スペクトル領域におけるローパスフィルタとして機能します。これは、広範な集団全体の人気トレンド（低周波成分）を増幅することには効果的ですが、中間周波数成分を本質的に抑制してしまいます。著者らは、これらの中間周波数が、コミュニティレベルのユーザー嗜好（特定のユーザーグループによって好まれるが、集団全体には好まれないパターン）をエンコードしていると主張しています。

現在のGSPベースの手法の決定的な限界は、アイテム表現をユーザーとアイテムの相互作用行列（$X$）のみから導出している点にあります。$X$は「どの」アイテムをユーザーが操作したかは捉えますが、「どのように」それらのアイテムがユーザーのインタラクションシーケンス内で関連しているか（すなわち、どのアイテムが時間的に近くに現れるか）を捉えることができません。その結果、得られるグラフトポロジーは、ローパスフィルタによって破棄されてしまう中間周波数のスペクトル成分を露出させるために必要な構造的情報を欠いています。洗練されたフィルタ設計を通じて性能を向上させようとする既存の試みも、基礎となるグラフ構造を豊かにすることなく、これらと同じ貧弱な表現に対して操作を行っています。

手法: GSPRec

著者らは、スペクトルフィルタリングを適用する前に、ユーザーのインタラクション順序から導出されたアイテム間の近接性を組み込むことで、アイテムのスペクトル表現を豊かにするフレームワークであるGSPRecを提案しています。この手法は、グラフ構築とスペクトルフィルタリングという2つの結合されたコンポーネントで構成されています。

1. グラフ構築

GSPRecは、標準的なユーザー・アイテムの相互作用と、ユーザーの履歴シーケンスから導出されたアイテム間の近接性を統合した、統一されたグラフトポロジーを構築します。

• 順序由来の近接性 ($S'$): この手法はまず、ユーザーのインタラクションの時系列順序に基づく有向遷移行列 $S$ を構築します（例：ユーザーがアイテム $i$ の次に $j$ と操作した場合、有向エッジ $i \to j$ が存在する）。厳密な方向性に依存せずに近接性を捉えるため、$S$ は無向行列 $S'$ へと対称化されます。これは、標準的な共起行列 $X^TX$ には見られない、ユーザーの履歴の中で近くに現れるアイテムを捉えます。
• マルチホップ拡散 ($S^{(d)}$): 高次の近接性（例：中間的なアイテムを介して接続されたアイテム）を捉えるために、指数減衰を伴う拡散プロセスを適用します：
  $$S^{(d)} = \sum_{k=1}^{d} \alpha^{k-1} (S')^k$$
  ここで、$\alpha \in (0,1)$ は、長さ $k$ のパスが直接の接続よりも寄与を小さくするように制御します。このプロセスは重み付きパスのカウントを蓄積し、インタラクションシーケンスにおいてより近くに現れるアイテムに対して強い重みを割り当てます。
• 統一隣接行列 ($A$): 正規化された拡散行列 $\tilde{S}$ は、正規化されたユーザー・アイテム相互作用行列 $X$ と統合され、統一された対称隣接行列を形成します：
  $$A = \begin{bmatrix} 0 & X \\ X^T & \tilde{S} \end{bmatrix}$$
  この統一グラフは、正規化ラプラシアン $L = I - D^{-1/2}AD^{-1/2}$ を計算するために使用されます。$\tilde{S}$ の包含は $L$ のスペクトルを再形成し、以前は存在しなかった中間周波数の構造を導入します。

2. スペクトルフィルタリング・フレームワーク

統一ラプラシアンは、固有値分解 $L = U\Lambda U^T$ を許容します。GSPRecは、新たなスペクトル構造を利用するためにデュアルフィルタ戦略を採用しています。

• ガウス・バンドパスフィルタ ($g_{BP}$): 豊かになったグラフによって露出された中間周波数成分を選択的に増幅するように、ガウス・バンドパスフィルタが設計されています。フィルタの応答は以下のように定義されます：
  $$g_{BP}(\lambda) = \exp\left(-\frac{(\bar{\lambda} - c)^2}{w}\right)$$
  ここで、$\bar{\lambda}$ は正規化された固有値であり、$c$ と $w$ は中心と帯域幅のための調整可能なパラメータです。このフィルタは、ローパスフィルタが抑制してしまうコミュニティレベルの嗜好をターゲットにします。
• ローパスフィルタ ($g_{LP}$): 広範な人気トレンドを保持するために、補完的なローパスフィルタが適用されます。統一グラフ $A$ はユーザー間のエッジに対してゼロブロックを持つため、ユーザー間の協調信号が失われないように、ローパス・ブランチは拡張された信号行列（ユーザー間の類似性 $C_U$ と $X$ を連結したもの）を低周波固有空間へと投影します。
• スコア融合: 最終的な推奨スコア $Y$ は、バンドパスフィルタリングされた信号 ($F_{BP}$) とローパスフィルタリングされた信号 ($F_{LP}$) の凸結合です：
  $$Y = \phi \cdot F_{BP} + (1 - \phi) \cdot F_{LP}$$
  ここで、$\phi$ はパーソナライズされた（中間周波数）信号とグローバルな（低周波数）信号のバランスをとるハイパーパラメータです。

主な貢献

1. 新規なグラフ構築: GSPRecは、アイテムのスペクトル表現に、順序由来のアイテム間近接性を組み込んだ最初のGSPベースのCF手法です。ユーザーのインタラクションシーケンスからエッジを導出し、それらを拡散させることで、標準的な相互作用グラフには存在しない中間周波数のスペクトル構造を導入します。
2. 標的を絞ったバンドパスフィルタリング: 著者らは、豊かになったグラフによって露出された中間周波数構造を増幅するために、ガウス・バンドパスフィルタを設計しました。彼らは、新しいグラフ構築に対して適用した場合でも、このフィルタが既存のローパスおよびハイパスの代替案よりも優れていることを示しています。
3. 結合された設計: 本論文は、GSPベースのCFにおいて、グラフ構築とフィルタ設計が結合されていることを確立しています。豊かになった表現は、ローパスフィルタが抑制してしまう構造を導入します。したがって、バンドパスフィルタがこの構造を捉えるために不可欠です。逆に、バンドパスフィルタは、豊かになったグラフなしでは最適ではない結果をもたらします。共同設計こそが、最先端の性能を実現します。
4. 理論的正当性: 本論文は、拡散プロセスの収束性と、統一ラプラシアン（対称、正定値、かつ実固有値を $[0, 2]$ の範囲に持つ）の妥当性を証明する理論的分析を提供しています。

実験結果

著者らは、4つの実世界のデータセット（ML100K, ML1M, Netflix, Amazon Beauty）において、GCNベースの手法（LightGCN, LR-GCCF）やGSPベースの手法（GF-CF, JGCK, PGSP, HiGSP, FaGSP）を含む包括的なベースライン群に対し、GSPRecを評価しました。

• 性能: GSPRecは、すべてのデータセットおよび指標において、一貫してすべてのベースラインを上回りました。NDCG@10における平均改善率は 5.12% でした。
• スパースなデータへの感度: この手法は、最もスパースなデータセット（Amazon Beauty, 密度 0.07%）において最も顕著な利点を示し、NDCG@20で最大 19.74% の改善を記録しました。これは、バンドパス・アプローチが、スパースな設定においてローパス手法が見逃してしまう信号を効果的に回収できることを示唆しています。
• アブレーション研究:
  • バンドパスフィルタを除去した場合（GSPRec-NB）は、パフォーマンスが約11.3%低下し、すべてのGSPベースラインを下回りました。これは、アイテム間の近接性が、バンドパスフィルタなしでは有害となる構造を導入していることを裏付けています。
  • アイテム間の近接性を除去した場合（GSPRec-NS）でも、依然としてすべてのベースラインを上回っており、バンドパスフィルタが強力な独立した貢献因子であることを確認しています。
  • 直接エッジのみを使用した場合（GSPRec-SE）は、フル拡散モデルよりも性能が悪く、マルチホップ拡散の有用性を検証しています。
• 効率性: GSPRecは非常に効率的であり、ML1Mデータセットにおいてわずか1.27分を要します。これはLightGCNよりも100倍以上速く、最も高速なGSPベースライン（GF-CF）と同等です。

意義と主張

本論文は、GSPRecがグラフベースの協同フィルタリングにおける根本的な限界、すなわち近傍集約がローパスフィルタとして機能し、コミュニティレベルの嗜好を破棄してしまう傾向に対処することを主張しています。インタラクションの順序によってグラフトポロジーを豊かにし、これをバンドパスフィルタと結合させることで、GSPRecはこれらの中間周波数信号を正常に回収し、増幅することに成功しています。

著者らは、手法の成功がグラフ構築とフィルタ設計の**結合（カップリング）**に依存していることを強調しています。豊かになったグラフは中間周波数の構造を露出させるために必要であり、バンドパスフィルタはその構造を利用するために必要です。この研究は、将来のGSPベースのCF手法は、グラフ構築とフィルタリングを独立したステップとして扱うのではなく、グラフトポロジーが信号のスペクトル分布にどのように影響するかを考慮しなければならないことを示唆しています。本論文は、このアプローチが、特にユーザーのインタラクションデータがスパースなシナリオにおいて、堅牢で効率的かつ最先端のソリューションを提供することを結論付けています。