[논문 리뷰] A Survey on Neural Recommendation: From Collaborative Filtering to Content and Context Enriched Recommendation.

Le Wu, Xiangnan He외 3명|arXiv (Cornell University)|2021. 04. 27.

Recommender Systems and Techniques참고 문헌 198인용 수 26

한 줄 요약

이 종합 검토는 신경망 추천 모델을 협업 필터링, 콘텐츠 기반, 맥락 기반 유형으로 체계적으로 분류하며, 딥러닝 아키텍처가 아닌 데이터 활용 방식에 기반한 통합 프레임워크를 제공한다. 주요 진전을 종합하고 표현 학습 능력의 강점을 부각시키며, 벤치마킹, 그래프 추론, 공정성 및 설명 가능성 있는 추천을 향한 핵심 미래 방향으로 지목한다.

ABSTRACT

Influenced by the stunning success of deep learning in computer vision and language understanding, research in recommendation has shifted to inventing new recommender models based on neural networks. In recent years, we have witnessed significant progress in developing neural recommender models, which generalize and surpass traditional recommender models owing to the strong representation power of neural networks. In this survey paper, we conduct a systematic review on neural recommender models, aiming to summarize the field to facilitate future progress. Distinct from existing surveys that categorize existing methods based on the taxonomy of deep learning techniques, we instead summarize the field from the perspective of recommendation modeling, which could be more instructive to researchers and practitioners working on recommender systems. Specifically, we divide the work into three types based on the data they used for recommendation modeling: 1) collaborative filtering models, which leverage the key source of user-item interaction data; 2) content enriched models, which additionally utilize the side information associated with users and items, like user profile and item knowledge graph; and 3) context enriched models, which account for the contextual information associated with an interaction, such as time, location, and the past interactions. After reviewing representative works for each type, we finally discuss some promising directions in this field, including benchmarking recommender systems, graph reasoning based recommendation models, and explainable and fair recommendations for social good.

연구 동기 및 목표

• 딥러닝 아키텍처 분류에 머물지 않고, 데이터 중심의 포괄적이고 체계적인 신경 추천 모델 분류 체계를 제공하기 위해.
• 기존 종합 검토의 격차를 메우기 위해, 협업, 콘텐츠, 맥락 유형의 데이터를 기반으로 방법을 정리함으로써 연구자들에게 더 명확한 지침을 제공하기 위해.
• 신경 추천 분야의 최근 진전을 종합하고, 전통적 모델 대비 딥러닝의 표현 학습 능력 향상에 초점을 맞추기 위해.
• 벤치마킹, 그래프 기반 추론, 윤리적 추천 시스템과 같은 새로운 연구 방향을 식별하고 논의하기 위해.
• 사용자-아이템 상호작용, 보조 정보, 맥락 신호가 모델 설계에서 차지하는 역할을 명확히 하여 향후 혁신을 지원하기 위해.

제안 방법

• 사용자-아이템 상호작용, 사용자/아이템 보조 정보, 시간적·공간적 또는 순차적 맥락과 같은 데이터 유형에 따라 신경 추천 모델을 세 가지 유형으로 분류한다: 협업 필터링, 콘텐츠 기반, 맥락 기반.
• 각 유형 내에서 대표적인 모델을 검토하며, 특정 데이터 유형을 어떻게 활용하여 추천 정확도와 일반화 능력을 향상시키는지에 중점을 둔다.
• 상호작용, 콘텐츠, 맥락 데이터로부터 계층적이고 비선형적인 표현을 학습하기 위해 딥 네트워크의 활용을 강조한다.
• 임베딩 학습, 어텐션 메커니즘, 그래프 신경망과 같은 모델 설계 패턴이 추천 작업 맥락에서 어떻게 기능하는지 분석한다.
• 모델 아키텍처보다 데이터 모odal을 우선시하는 방식으로 분야를 조직하고 이해하는 데 초점을 맞춘 프레임워크를 제안한다.
• 지식 그래프 통합과 순차적 모델링을 통해 콘텐츠 및 맥락 기반 추천의 성능을 향상시키는 방법을 논의한다.

실험 결과

연구 질문

• RQ1 딥러닝 아키텍처가 아닌, 사용하는 데이터 유형에 기반해 신경 추천 모델을 어떻게 체계적으로 분류할 수 있는가?
• RQ2 협업 필터링, 콘텐츠 기반, 맥락 기반 추천 체계에서의 주요 진전과 대표적인 모델은 무엇인가?
• RQ3 사용자 프로필, 아이템 속성 등의 보조 정보와 시간, 위치 등의 맥락 신호는 추천 성능을 어떻게 향상시키는가?
• RQ4 벤치마킹, 그래프 기반 추론, 공정성과 같은 분야에서 가장 유망한 미래 연구 방향은 무엇인가?
• RQ5 신경 모델은 전통적인 협업 필터링 및 콘텐츠 기반 방법에 비해 표현 학습 능력과 일반화 능력에서 어떤 방식으로 뛰어나게 되는가?

주요 결과

• 신경 추천 모델은 사용자-아이템 상호작용에 대한 표현 학습 능력이 뛰어나 전통적 방법보다 뚜렷이 우수하다.
• 사용자 프로필, 아이템 지식 그래프 등의 보조 정보를 통합하면 콘텐츠 기반 모델의 정확도와 개인화 수준이 향상된다.
• 시간적, 공간적, 또는 순차적 맥락을 고려한 맥락 기반 모델은 동적인 환경에서 추천의 관련성을 높인다.
• 그래프 신경망과 지식 그래프 통합은 콘텐츠 및 맥락 기반 추천에서 복잡한 관계를 모델링하는 데 강력한 도구로 부상했다.
• 벤치마킹, 설명 가능성, 공정성은 강건하고 윤리적인 구현을 위해 향후 연구가 필요한 개발이 미흡한 핵심 분야로 규명되었다.
• 데이터 유형 기반 분류 체계는 아키텍처 중심의 분류보다 연구자와 전문가에게 더 유용하고 실용적인 프레임워크를 제공한다.