이질 간선과 신규 간선을 고려한 그래프 신경망 기반 추천 (Graph Neural Network based Recommendation Focusing on Heterophilic Edges and New Edges)

서지정보

· 발행기관 : 한국정보과학회
· 수록지 정보 : 정보과학회 컴퓨팅의 실제 논문지 / 30권 / 5호 / 236 ~ 240페이지
· 저자명 : 최석휘, 황혜수

초록

그래프 신경망 기반 협업 필터링은 유저와 아이템 간의 고차 연결 정보를 학습함으로써 추천 성능을 향상시켰다. 하지만 유저가 평소 선호하지 않던 아이템과 연결된 이질 간선은 과평탄화 문제를 일으키고, 신규 간선 유입으로 인한 동적 추천 환경에서는 모델 재학습이 불가피하다. 각각의 문제에 대한 연구는 활발히 진행 중이나 이들을 동시에 해결하는 모델은 아직 제안된 바 없다. 본 논문은 이 두 문제를 동시에 해결하는 Inductive Embedded Graph Trend Filtering Networks (IGTN)를 제안한다. 먼저 인덕티브 임베딩 모듈이 동적 추천 환경에 효과적인 템플릿 정점을 선정하고 이에 대한 표현을 초기화한다. 템플릿 정점 표현은 협업 필터링 기반의 그래프 트렌드 모듈이 과평탄화를 줄이는 방향으로 개선된다. 템플릿 정점 표현을 조합함으로써 신규 정점 추가 시 모델 재학습 없이도 효과적인 추천이 가능하다. 2개의 추천 시스템 데이터셋에 대한 실험을 통해 IGTN이 이질 간선과 신규 간선이 추가되는 환경에서 GTN에 비해 더 높은 추천 성능을 보임을 확인하였다.

영어초록

Graph neural network-based collaborative filtering improves recommendation performance by learning higher-order connection information between users and items. However, heterophilic edges connected to items that users do not usually prefer cause over-smoothing problems, and model retraining is inevitable in a dynamic recommendation environment caused by the addition of new edges. Research on each problem is actively underway, but no model has been proposed to solve the problems simultaneously. This paper proposes Inductive Embedded Graph Trend Filtering Networks (IGTN) to solve these two problems simultaneously. First, the inductive embedding module selects template nodes for dynamic recommendation environments and initializes their representations. The template nodes representations are improved by the graph trend module based on collaborative filtering in the direction of reducing over-smoothing. Combining the template nodes representations enable effective recommendations without model retraining when adding new nodes. Experiments on two recommender system datasets demonstrated that IGTN has better recommendation performance than GTN in graphs with heterophilic edges and new edges.

참고자료

· 없음