[논문 리뷰] A Survey on Knowledge Graph-Based Recommender Systems

Qingyu Guo, Fuzhen Zhuang외 5명|arXiv (Cornell University)|2020. 02. 28.

Recommender Systems and Techniques참고 문헌 94인용 수 25

한 줄 요약

이 종합 검토는 지식 그래프 기반 추천 시스템에 대한 포괄적인 개요를 제공하며, 항목 속성, 사용자 행동, 관계 데이터와 같은 부가 정보를 통합하여 추천 정확도와 설명 가능성 향상에 지식 그래프가 어떻게 기여하는지 분석한다. 기존 방법을 임베딩 기반, 경로 기반, 통합형 접근법으로 분류하고 주요 데이터셋을 평가하며, 다영역 추천, 지식 기반 언어 모델링, 사용자 측 정보 통합과 같은 핵심 연구 격차를 규명한다.

ABSTRACT

To solve the information explosion problem and enhance user experience in various online applications, recommender systems have been developed to model users preferences. Although numerous efforts have been made toward more personalized recommendations, recommender systems still suffer from several challenges, such as data sparsity and cold start. In recent years, generating recommendations with the knowledge graph as side information has attracted considerable interest. Such an approach can not only alleviate the abovementioned issues for a more accurate recommendation, but also provide explanations for recommended items. In this paper, we conduct a systematical survey of knowledge graph-based recommender systems. We collect recently published papers in this field and summarize them from two perspectives. On the one hand, we investigate the proposed algorithms by focusing on how the papers utilize the knowledge graph for accurate and explainable recommendation. On the other hand, we introduce datasets used in these works. Finally, we propose several potential research directions in this field.

연구 동기 및 목표

• 데이터 희소성 및 냉시작 문제와 같은 과제를 해결하기 위해 지식 그래프 기반 추천 시스템의 최근 발전을 체계적으로 조사한다.
• 지식 그래프가 항목 속성, 사용자 행동, 사회적 관계와 같은 이질적인 부가 정보를 통합함으로써 추천 정확도를 향상시키는 방식을 분석한다.
• 사용자와 항목 간의 해석 가능한 관계 경로를 통해 설명 가능한 추천을 가능하게 하는 지식 그래프의 역할을 검토한다.
• 영화, 책, 뉴스, 전자상거래를 포함한 다양한 추천 시나리오에 사용되는 벤치마크 데이터셋을 수집하고 분류한다.
• 다음과 같은 열린 연구 과제를 규명하고 미래 연구 방향을 제안한다: 다영역 추천, 지식 기반 언어 표현 학습, 사용자 측 정보 통합.

제안 방법

• 지식 그래프 기반 추천 시스템을 임베딩 기반, 경로 기반, 통합형 방법으로 세 가지 주요 접근법으로 분류하며, 각각 지식 그래프를 다르게 활용한다.
• 엔티티와 관계 표현을 학습하기 위해 사용되는 지식 그래프 임베딩(KGE) 기법을 검토한다. 예: 이동 거리 모델(예: TransE)과 의미 매칭 모델.
• 사용자-항목 간 관계 시퀀스(예: 사용자 → 장르 → 영화)를 추출하고 활용하여 해석 가능한 설명을 제공하는 경로 기반 방법을 분석한다.
• 그래프 신경망(GNNs)을 사용해 사용자-항목 상호작용과 지식 그래프 구조를 동시에 최적화하는 통합 프레임워크를 검토한다.
• 추천 파이프라인에 외부 지식 소스(예: Freebase, DBpedia, YAGO, Google의 지식 그래프)를 통합하는 방식을 평가한다.
• 다양한 데이터셋과 응용 분야에서 모델 성능을 비교하며 아키텍처 선택과 설계적 트레이드오프를 강조한다.

실험 결과

연구 질문

• RQ1 지식 그래프 기반 추천 시스템은 기존의 협업 필터링 또는 콘텐츠 기반 방법에 비해 추천 정확도를 어떻게 향상시키는가?
• RQ2 해석 가능한 관계 경로를 통해 지식 그래프가 추천의 설명 가능성은 어떻게 향상시키는가?
• RQ3 지식 그래프 기반 추천에서 임베딩 기반, 경로 기반, 통합형 접근법 간의 주요 차이점과 트레이드오프는 무엇인가?
• RQ4 기존 모델들은 지식 그래프 프레임워크 내에서 항목 속성, 사용자 인구통계학적 정보, 사회망과 같은 부가 정보를 어떻게 활용하는가?
• RQ5 특히 다영역 환경과 지식 기반 표현 학습에서 지식 그래프 기반 추천의 주요 열린 과제는 무엇인가?

주요 결과

• 지식 그래프 기반 추천 시스템은 외부 관계 지식을 사용자 및 항목 표현에 통합함으로써 데이터 희소성 문제와 냉시작 문제를 크게 완화한다.
• 경로 기반 방법은 관계 시퀀스(예: 사용자 → 장르 → 영화)를 추적함으로써 해석 가능한 추천을 가능하게 하며, 추천에 대한 투명한 근거를 제공한다.
• GNN을 통해 사용자-항목 상호작용과 지식 그래프 구조를 통합적으로 최적화하는 통합 모델은 여러 벤치마크에서 독립적인 협업 필터링 또는 콘텐츠 기반 기반 모델보다 뛰어난 성능을 보인다.
• 기존 모델은 주로 항목 측 정보에 집중하며, 사회망이나 인구통계학적 데이터와 같은 사용자 측 정보를 효과적으로 통합하는 경우가 거의 없어 연구 격차가 존재한다.
• 다양한 데이터 밀도를 가진 영역 간 전이 학습을 활용할 경우, 지식 그래프 통합은 다영역 추천에 유의미한 이점을 제공한다.
• 지식 기반 언어 표현 기법(예: ERNIE, STCKA)은 텍스트 기반 추천 작업에 유망한 성과를 보이고 있으나, 현재의 모델(예: DKN)은 종종 텍스트 임베딩과 실체 임베딩을 독립적인 특징으로 간주하여 효과적으로 융합하지 못하고 있다.