[논문 리뷰] A Neural Influence Diffusion Model for Social Recommendation

Le Wu, Peijie Sun외 4명|arXiv (Cornell University)|2019. 04. 20.

Recommender Systems and Techniques참고 문헌 38인용 수 30

한 줄 요약

이 논문은 사회적 추천을 위한 사용자 및 아이템 임베딩 학습을 향상시키기 위해 사회 네트워크 내에서 재귀적인 사회적 영향력 전파를 시뮬레이션하는 딥 네트워크 영향력 확산 모델인 DiffNet을 제안한다. 전역 네트워크를 통해 신뢰할 수 있는 사용자로부터 계층별로 영향력 전파를 모델링함으로써, DiffNet은 두 개의 실세계 데이터셋에서 최신 기준 모델 대비 NDCG@10에서 13% 이상의 상대적 향상을 달성한다.

ABSTRACT

Precise user and item embedding learning is the key to building a successful recommender system. Traditionally, Collaborative Filtering(CF) provides a way to learn user and item embeddings from the user-item interaction history. However, the performance is limited due to the sparseness of user behavior data. With the emergence of online social networks, social recommender systems have been proposed to utilize each user's local neighbors' preferences to alleviate the data sparsity for better user embedding modeling. We argue that, for each user of a social platform, her potential embedding is influenced by her trusted users. As social influence recursively propagates and diffuses in the social network, each user's interests change in the recursive process. Nevertheless, the current social recommendation models simply developed static models by leveraging the local neighbors of each user without simulating the recursive diffusion in the global social network, leading to suboptimal recommendation performance. In this paper, we propose a deep influence propagation model to stimulate how users are influenced by the recursive social diffusion process for social recommendation. For each user, the diffusion process starts with an initial embedding that fuses the related features and a free user latent vector that captures the latent behavior preference. The key idea of our proposed model is that we design a layer-wise influence propagation structure to model how users' latent embeddings evolve as the social diffusion process continues. We further show that our proposed model is general and could be applied when the user~(item) attributes or the social network structure is not available. Finally, extensive experimental results on two real-world datasets clearly show the effectiveness of our proposed model, with more than 13% performance improvements over the best baselines.

연구 동기 및 목표

• 정적이고 일차적 이웃 집합화에 의존하는 기존 사회적 추천 모델의 한계를 해결하기 위해 재귀적 영향력 전파를 모델링하지 않는 문제를 해결한다.
• 데이터 희소성에 대응하여 신뢰할 수 있는 사용자 네트워크를 통해 동적이고 전역적인 사회적 영향력 전파를 시뮬레이션함으로써 사용자 임베딩 학습을 향상시킨다.
• 사용자 또는 아이템 특성 또는 사회 네트워크 구조가 가용하지 않은 경우에도 효과적으로 작동할 수 있는 유연하고 종단 간(end-to-end) 딥 러닝 프레임워크를 개발한다.
• 스케일링 가능하고 효율적인 신경망 아키텍처를 통해 재귀적 영향력 전파가 진화하는 사용자 선호도를 효과적으로 포착할 수 있음을 입증한다.

제안 방법

• 이전 전파 계층의 신뢰할 수 있는 이웃의 임베딩을 기반으로 사용자 임베딩을 재귀적으로 업데이트하는 계층별 영향력 전파 메커니즘을 제안한다.
• 각 사용자의 임베딩을 사용자 고유의 특성과 내재된 선호도를 나타내는 학습 가능한 잠재 벡터의 융합으로 초기화한다.
• 그래프 컨볼루션 유사 연산을 적용하여 사회 네트워크를 통해 영향력을 전파하며, 각 계층이 점점 더 먼 거리의 신뢰할 수 있는 사용자로부터 고차원 영향력을 캡처한다.
• 일반적이고 종단 간 학습이 가능한 모델을 설계하여 사용자 또는 아이템 특성 또는 사회 네트워크 구조가 없는 상황에서도 작동 가능하도록 한다.
• 그래프 신경망에 영감을 받은 메시지 전달 메커니즘을 사용하여 다중 전파 계층을 통해 이웃의 영향력을 효율적으로 집계한다.
• 학습된 임베딩의 내적 곱을 통한 예측된 사용자-아이템 상호작용을 최적화하는 공동 필터링 목적함수를 사용하여 모델을 학습한다.

실험 결과

연구 질문

• RQ1 신뢰할 수 있는 사용자 네트워크의 다중 계층에서 재귀적 사회적 영향력 전파를 모델링함으로써 희소한 사회적 추천 환경에서 사용자 임베딩 품질을 향상시킬 수 있는가?
• RQ2 일차적 이웃만 사용하거나 정적 사회적 정규화를 사용하는 전통적 모델과 비교해 깊이 있는 영향력 확산 모델의 성능은 어떠한가?
• RQ3 사용자 또는 아이템 특성 또는 사회 네트워크 구조가 제공되지 않을 경우, 제안된 모델이 얼마나 일반화될 수 있는가?
• RQ4 계층별 영향력 전파 메커니즘이 실세계 사회 네트워크에서 재귀적 전파를 통해 진화하는 사용자 관심사를 효과적으로 포착하는가?

주요 결과

• DiffNet은 두 개의 실세계 데이터셋에서 최고의 기준 모델 대비 NDCG@10에서 13% 이상의 상대적 향상을 달성하였으며, Flickr 데이터셋에서는 15%의 향상을 기록했다.
• 모델은 일차적 이웃 모델이 활용하지 못하는 고차원 사회적 영향력 패tern을 포착함으로써 뛰어난 성능을 보였다.
• 영향력 전파 메커니즘은 재귀적 전파를 통해 진화하는 사용자 선호도를 효과적으로 모델링하여 더 정확하고 동적인 사용자 임베딩을 도출했다.
• DiffNet은 계산적으로 효율적이고 확장 가능하며, 사용자 또는 아이템 특성 또는 전체 사회 네트워크 구조 없이도 강력한 성능을 유지했다.
• 제거 실험(ablation study) 결과 재귀적 계층별 전파가 필수적임을 확인하였으며, 이를 제거하면 성능이 심각하게 저하됨을 입증했다.
• 모델은 다양한 데이터 설정에서 잘 일반화되며, 특성 또는 네트워크 구조가 누락된 경우에도 강건함을 보였다.