[논문 리뷰] Adaptive Graph Contrastive Learning for Recommendation

Yangqin Jiang, Chao Huang외 1명|arXiv (Cornell University)|2023. 05. 18.

Recommender Systems and Techniques인용 수 8

한 줄 요약

AdaGCL은 두 개의 학습 가능한 뷰 제너레이터(그래프 제너레이터와 그래프 디노이징)를 도입하여 노이즈가 많거나 데이터가 희소할 때 특히 그래프 기반 협업 필터링을 위한 적응적 대조 뷰를 생성하고 추천 성능을 향상시킵니다.

ABSTRACT

Graph neural networks (GNNs) have recently emerged as an effective collaborative filtering (CF) approaches for recommender systems. The key idea of GNN-based recommender systems is to recursively perform message passing along user-item interaction edges to refine encoded embeddings, relying on sufficient and high-quality training data. However, user behavior data in practical recommendation scenarios is often noisy and exhibits skewed distribution. To address these issues, some recommendation approaches, such as SGL, leverage self-supervised learning to improve user representations. These approaches conduct self-supervised learning through creating contrastive views, but they depend on the tedious trial-and-error selection of augmentation methods. In this paper, we propose a novel Adaptive Graph Contrastive Learning (AdaGCL) framework that conducts data augmentation with two adaptive contrastive view generators to better empower the CF paradigm. Specifically, we use two trainable view generators - a graph generative model and a graph denoising model - to create adaptive contrastive views. With two adaptive contrastive views, AdaGCL introduces additional high-quality training signals into the CF paradigm, helping to alleviate data sparsity and noise issues. Extensive experiments on three real-world datasets demonstrate the superiority of our model over various state-of-the-art recommendation methods. Our model implementation codes are available at the link https://github.com/HKUDS/AdaGCL.

연구 동기 및 목표

• 그래프 기반 협업 필링에서 데이터 노이즈와 희소성 문제를 해결한다.
• 과적합과 모델 붕괴를 완화하기 위해 두 개의 학습 가능한 뷰 제너레이터를 사용한 적응형 자기지도 학습을 도입한다.
• 적응형 대조 뷰를 통해 GNN 기반 추천 시스템의 강인성과 일반화를 향상시킨다.
• 실세계 데이터셋에서 최신 기준선 대비 실험적 이점을 입증한다.

제안 방법

• LightGCN과 유사한 로컬 그래프 메시지 전달 인코더를 사용하여 사용자/아이템 임베딩을 학습한다.
• 학습 가능한 두 개의 뷰 제너레이터를 도입한다: 그래프 생성 모델(VGAE 기반)과 그래프 디노이징 모델로, 적응형 대조 뷰를 생성한다.
• 동일 노드 뷰에서의 양의 페어와 서로 다른 노드에서의 음의 페어를 사용하여 사용자 및 아이템 표현에 대한 대조 학습을 적용한다.
• 생성 뷰와 디노이징 뷰를 BPR-guided 목표 및 뷰 생성을 촉진하는 정규화 항과 함께 학습시킨다.
• 주요 CF 목표와 SSL 목표를 상위 수준 다중 작업 설정에서 공동으로 최적화하고, 뷰 제너레이터를 위한 하위 수준 목표를 추가한다.
• 노이즈가 있는 엣지를 걸러내고 디노이즈 뷰를 생성하기 위해 엣지 가치 마스크를 학습하는 디노이징 계층을 포함시킨다.

실험 결과

연구 질문

• RQ1 현실 세계 데이터셋에서 AdaGCL은 최첨단 추천 시스템과 비교하여 어떻게 성능을 보이나?
• RQ2 각 구성 요소(적응 뷰, VGAE 제너레이터, 디노이징 뷰)가 전체 성능에 어떤 기여를 하는가?
• RQ3 AdaGCL은 베이스라인보다 노이즈가 많고 희소한 데이터를 더 효과적으로 처리할 수 있는가?
• RQ4 주요 하이퍼파라미터가 AdaGCL의 성능에 어떤 영향을 미치는가?

주요 결과

• AdaGCL은 Last.FM, Yelp, BeerAdvocate 데이터셋에서 Recall@20/40 및 NDCG@20/40 측면에서 여러 베이스라인을 능가한다.
• 두 개의 적응 뷰 제너레이터가 모델 붕괴를 피하고 다양하고 정보성 있는 SSL 신호를 제공한다.
• 생성 뷰와 디노이징 뷰는 데이터 패턴을 포착하고 노이즈를 줄여 서로를 보완한다.
• 적응형 뷰를 통한 자기지도 보강은 비적응형 또는 무작위 보강 방법에 비해 일관된 개선을 가져온다.
• 특성 제거 연구는 적응 구성 요소가 성능 향상에 의미 있게 기여함을 시사한다.