[논문 리뷰] Attentive Social Recommendation: Towards User And Item Diversities

Dongsheng Luo, Yuchen Bian외 2명|arXiv (Cornell University)|2020. 11. 09.

Recommender Systems and Techniques참고 문헌 30인용 수 5

한 줄 요약

이 논문은 주목사용자 기반 추천(ASR)을 제안하며, 주목기반 컨볼루션(Rec-conv) 레이어와 주목 메커니즘을 통해 사회적 영향, 사용자-평가, 품목-평가 요소를 융합함으로써 사용자 및 품목의 다양성을 동시에 모델링하는 그래프 신경망 모델이다. 또한 '좋아요'와 '싫어요' 평가를 별도로 처리하는 분리 전략을 도입하여 기존 방법보다 빠른 훈련 속도를 기록하면서도 최신 기술 수준의 성능을 달성한다.

ABSTRACT

Social recommendation system is to predict unobserved user-item rating values by taking advantage of user-user social relation and user-item ratings. However, user/item diversities in social recommendations are not well utilized in the literature. Especially, inter-factor (social and rating factors) relations and distinct rating values need taking into more consideration. In this paper, we propose an attentive social recommendation system (ASR) to address this issue from two aspects. First, in ASR, Rec-conv graph network layers are proposed to extract the social factor, user-rating and item-rated factors and then automatically assign contribution weights to aggregate these factors into the user/item embedding vectors. Second, a disentangling strategy is applied for diverse rating values. Extensive experiments on benchmarks demonstrate the effectiveness and advantages of our ASR.

연구 동기 및 목표

• 사회적 추천 시스템에서 사용자 및 품목의 다양성 모델링 부족 문제를 해결하기 위해.
• 사회적, 사용자-평가, 품목-평가 요소의 기여도를 동적으로 가중함으로써 추천 정확도를 향상시키기 위해.
• 평가 그래프 내에서 '좋아요'와 '싫어요' 평가의 별개의 전파 패턴을 모델링하기 위해.
• 주목 기반 특징 융합과 분리된 표현을 통해 깊은 GNN에서의 과도한 평준화를 완화하기 위해.
• 특히 깊은 아키텍처에서 성능을 희생시키지 않고도 높은 효율성을 달성하기 위해.

제안 방법

• 사용자-사용자 및 사용자-품목 그래프에서 GNN(GCN 또는 GAT)을 적용하여 사회적, 사용자-평가, 품목-평가 요소를 추출하는 Rec-conv 레이어를 제안한다.
• 임bedding 집합 과정에서 세 요소에 대한 동적 가중치를 자동으로 할당하기 위해 사용자 및 품목 주목 메커니즘을 도입한다.
• 평가 그래프를 각 평가 점수(예: 1에서 5까지)별 하위 그래프로 분할하여, 각 평가 수준에 대해 별도의 GNN 처리를 가능하게 하는 분리 전략을 적용한다.
• 주목 기반 및 분리 전략을 통해 과도한 평준화를 완화하면서 계층적 표현을 캡처하기 위해 다중 Rec-conv 레이어를 스택한다.
• 실세계 데이터셋에서 엔드 투 엔드 훈련을 위해 표준 손실 함수(MAE, RMSE)를 사용한다.
• 사회적 및 평가 그래프에서 GCN 및 GAT 버전을 모두 지원하며, 모델 구성 요소에 대한 분석 실험을 수행한다.

실험 결과

연구 질문

• RQ1 사회적, 사용자-평가, 품목-평가 요소 간의 상호 기여도는 어떻게 동적으로 가중시켜 사용자 및 품목 표현 학습을 향상시킬 수 있는가?
• RQ2 '좋아요'와 '싫어요' 평가를 분리하는 것이 추천 성능 향상에 얼마나 기여하는가?
• RQ3 제안된 ASR 모델은 깊은 GNN 아키텍처에서 과도한 평준화를 효과적으로 완화할 수 있는가?
• RQ4 주목 기반 메커니즘과 분리 전략이 각각 모델 성능에 어떤 기여를 하는가?
• RQ5 최신 기술 기반의 깊은 학습 기반 사회적 추천 모델과 비교해 ASR의 계산 효율성은 어떠한가?

주요 결과

• ASR는 Ciao 및 Epinions 데이터셋에서 모두 최고의 성능을 기록하였으며, Ciao에서 MAE 0.717, RMSE 0.962를 달성하여 모든 기준 모델을 능가했다.
• 분석 실험을 통해 평가 그래프 내 분리 전략이 가장 핵심적인 구성 요소임을 확인하였으며, 이를 제거할 경우 성능 저하가 심각하게 발생했다(예: Ciao에서 MAE 0.789).
• ASR는 매우 높은 효율성을 보였으며, DANSER 및 GraphRec보다 5~10배 빠른 훈련 속도를 기록하여 Ciao와 Epinions에서 각각 1에포크당 15.53초, 28.90초의 훈련 시간을 기록했다.
• 과도한 평준화를 효과적으로 완화함: 여러 레이어를 스택할수록 ASR는 GCN 및 DisGCN 등의 변종보다 더 높은 쌍별 임베딩 거리를 유지했다.
• 사회적 그래프에서 GCN 대신 GAT을 사용한 경우(ASR-w/-GS-GAT)도 원본 ASR와 유사한 성능을 기록하여 모델의 GNN 선택에 대한 강건성을 입증했다.
• 주목 기반 메커니즘과 분리 전략은 모두 필수적이며, 둘 중 하나를 제거할 경우 성능이 심각하게 저하됨을 확인하여 두 요소의 필수성과 기여도를 입증했다.