[논문 리뷰] A Survey of Graph Neural Networks for Social Recommender Systems

Kartik Sharma, Yeon-Chang Lee외 5명|arXiv (Cornell University)|2022. 12. 08.

Recommender Systems and Techniques참고 문헌 131인용 수 18

한 줄 요약

이 종합적 서베이는 사회적 추천 시스템에서 그래프 신경망(GNNs)에 대해 포괄적인 분석을 제공하며, 주로 주목사용 기반, 융합, 계층적, 시간적 모델과 같은 GNN 아키텍처를 분류하고, 이질적 연결 강도, 시간적 동역학, 전반적 선호도와 같은 사용자 사회학 개념을 다룬다. 주목기반 메커니즘이 가장 널리 사용되는 아키텍처 구성 요소임을 확인하였고, 약한 유대관계와 이중방향 대 단방향 소셜 네트워크 등 아직 탐색되지 않은 분야가 향후 연구의 주요 방향으로 제시된다.

ABSTRACT

Social recommender systems (SocialRS) simultaneously leverage the user-to-item interactions as well as the user-to-user social relations for the task of generating item recommendations to users. Additionally exploiting social relations is clearly effective in understanding users' tastes due to the effects of homophily and social influence. For this reason, SocialRS has increasingly attracted attention. In particular, with the advance of graph neural networks (GNN), many GNN-based SocialRS methods have been developed recently. Therefore, we conduct a comprehensive and systematic review of the literature on GNN-based SocialRS. In this survey, we first identify 84 papers on GNN-based SocialRS after annotating 2151 papers by following the PRISMA framework (preferred reporting items for systematic reviews and meta-analyses). Then, we comprehensively review them in terms of their inputs and architectures to propose a novel taxonomy: (1) input taxonomy includes 5 groups of input type notations and 7 groups of input representation notations; (2) architecture taxonomy includes 8 groups of GNN encoder notations, 2 groups of decoder notations, and 12 groups of loss function notations. We classify the GNN-based SocialRS methods into several categories as per the taxonomy and describe their details. Furthermore, we summarize benchmark datasets and metrics widely used to evaluate the GNN-based SocialRS methods. Finally, we conclude this survey by presenting some future research directions. GitHub repository with the curated list of papers are available at https://github.com/claws-lab/awesome-GNN-social-recsys.

연구 동기 및 목표

• 소셜 추천 시스템에서 그래프 신경망(GNN) 기반 접근법을 체계적으로 서베이하여 아키텍처의 다양성과 사회학적 모델링에 중점을 둔다.
• 소셜 추천에서 가장 두드러진 GNN 아키텍처, 즉 주목기반, 융합, 계층적, 시간적 모델 등을 식별하고 분류한다.
• 이질적 연결 강도, 시간적 진화, 전반적 선호도와 같은 사용자 사회학 개념이 GNN 기반 추천 시스템에 어떻게 통합되는지 분석한다.
• 현재 연구에서 미흡하게 다뤄진 점, 특히 약한 유대관계와 플랫폼 특화 동역학(예: 페이스북 대 트위터)에 대해 강조하고 향후 연구 방향을 제안한다.
• GNN 아키텍처와 사용자 사회학 요소를 분류한 분류 체계를 수립하여 향후 GNN 기반 소셜 추천 분야의 연구 기초 자료로 기능시킨다.

제안 방법

• 2009년 이후 출판된 논문 중 제목 또는 초록에 '소셜', '그래프', '추천'가 포함된 논문을 대상으로 Scopus 데이터베이스를 활용해 PRISMA 프레임워크를 기반으로 체계적 문헌 리뷰를 수행하였다.
• 사전 정의된 포함 기준을 적용해 1958개의 초기 결과를 '예', '아니오', '의문'으로 수동 분류하여 최종적으로 41篇의 관련 논문으로 구성된 정제된 집합을 확보하였다.
• 모델 설계 및 구성 요소 통합 기반으로 주목기반, 융합기반, 아이템을 노드로 간주하는, 계층적, 시간적, 상호작용 기반으로 GNN 아키텍처를 분류하였다.
• 사용자 사회학 개념을 이질적 연결 강도, 시간적 동역학, 전반적 선호도 모델링 등의 차원으로 매핑하여 그 보편성과 영향력을 분석하였다.
• 주요 발견을 종합하여 두 가지 분류 체계를 수립: GNN 아키텍처에 대한 분류 체계와 사용자 사회학 요소에 대한 분류 체계이며, GraphRec, HIDM, ASR, GAT-NSR 등의 대표 모델에 대한 심층 분석을 포함하였다.
• 주목기반 메커니즘과 다른 구성 요소(예: 계층적 또는 시간적 요소)의 자주 조합되는 공통 경향을 식별하고, 새로운 구조적 혁신을 도입한 모델을 강조하였다.

실험 결과

연구 질문

• RQ1 GNN 기반 소셜 추천 시스템에서 사용되는 주요 아키텍처 설계는 무엇이며, 그 구조와 구성 요소 통합 방식에서 어떤 차이를 보이나?
• RQ2 소셜 추천을 위한 GNN 프레임워크 내에서 이질적 연결 강도, 시간적 동역학, 전반적 선호도와 같은 사용자 사회학 개념은 어떻게 모델링되나?
• RQ3 가장 흔한 아키텍처 구성 요소(예: 주목기반, 융합, 시간 모델링)는 무엇이며, 최첨단 모델들에서는 어떻게 조합되는가?
• RQ4 현재 문헌에서 다루지 않은 사용자 사회학 요소는 무엇이며, 향후 개인화 추천에 어떤 영향을 미칠 수 있는가?
• RQ5 플랫폼 특성(예: 이중방향 대 단방향 소셜 네트워크)은 GNN 기반 소셜 추천 시스템의 설계 및 성능에 어떤 영향을 미치는가?

주요 결과

• 주목기반 메커니즘이 가장 널리 채택된 아키텍처 구성 요소로서, 소셜 그래프 내에서 다양한 이웃의 영향력을 동적으로 가중치를 부여하는 데 기여한다.
• 대부분의 모델이 주목기반과 계층적 또는 시간적 아키텍처를 조합하는 등 다수의 아키텍처 개념을 통합함으로써 하이브리드형, 다성분 설계 경향이 두드러진다.
• 이질적 연결 강도 모델링은 다양한 수준의 사회적 영향력을 포착하는 데 핵심적인 요소이며, HeteroGraphRec 및 ASR와 같은 모델은 이 접근 방식을 통해 성능 향상을 입증하였다.
• 시간 모델링은 점점 더 GNN에 통합되고 있으며, TGRec 및 EGFRec와 같은 모델은 변화하는 사용자 선호도와 사회적 동역학을 보다 잘 포착함으로써 성능 향상을 보였다.
• 주목기반 및 융합 모델의 보편성에도 불구하고, 약한 유대관계나 플랫폼 특화 사회적 동역학을 탐색한 연구는 소수에 그쳐 심각한 연구 격차가 존재함을 시사한다.
• 이 서베이에서는 41篇의 관련 논문을 식별하고, GNN 아키텍처와 사용자 사회학 요소에 대한 두 가지 종합적 분류 체계를 수립하여 향후 연구의 기초 자료로 기능시켰다.