[논문 리뷰] BiRank: Towards Ranking on Bipartite Graphs

Xiangnan He, Ming Gao외 2명|arXiv (Cornell University)|2017. 08. 15.

Complex Network Analysis Techniques참고 문헌 32인용 수 3

한 줄 요약

이 논문은 이분 그래프 내의 정점 순위를 매기는 데 있어 구조적 링크 정보와 사전 정점 특징(질의 벡터)을 통합하는 그래프 정규화 기반의 새로운 알고리즘인 BiRank를 제안한다. BiRank는 유일한 정적 해로 수렴하며, 정규화와 베이지안 해석을 통해 이론적으로 기반을 두고 있으며, 실제 데이터셋에서 인기 예측 및 개인화된 추천 작업에서 최신 기술들을 능가한다.

ABSTRACT

The bipartite graph is a ubiquitous data structure that can model the relationship between two entity types: for instance, users and items, queries and webpages. In this paper, we study the problem of ranking vertices of a bipartite graph, based on the graph's link structure as well as prior information about vertices (which we term a query vector). We present a new solution, BiRank, which iteratively assigns scores to vertices and finally converges to a unique stationary ranking. In contrast to the traditional random walk-based methods, BiRank iterates towards optimizing a regularization function, which smooths the graph under the guidance of the query vector. Importantly, we establish how BiRank relates to the Bayesian methodology, enabling the future extension in a probabilistic way. To show the rationale and extendability of the ranking methodology, we further extend it to rank for the more generic n-partite graphs. BiRank's generic modeling of both the graph structure and vertex features enables it to model various ranking hypotheses flexibly. To illustrate its functionality, we apply the BiRank and TriRank (ranking for tripartite graphs) algorithms to two real-world applications: a general ranking scenario that predicts the future popularity of items, and a personalized ranking scenario that recommends items of interest to users. Extensive experiments on both synthetic and real-world datasets demonstrate BiRank's soundness (fast convergence), efficiency (linear in the number of graph edges) and effectiveness (achieving state-of-the-art in the two real-world tasks).

연구 동기 및 목표

• 구조적 정보와 사전 정점 정보를 모두 통합하는 이론적으로 탄탄한 일반화된 이분 그래프 순위 매기기 프레임워크의 부족을 해결하기 위해.
• 단일 정적 순위로 수렴하는 동시에 원칙적인 대수적 및 확률적 해석을 통해 확장 가능한 방법을 개발하기 위해.
• BiRank의 실세계 순위 매기기 시나리오에서의 효과성을 입증하기 위해, 예를 들어 항목 인기 예측 및 개인화된 추천을 포함하여.
• 이를 바탕으로 n-분할 그래프로의 방법 확장하여 사용자-항목-요소 상호작용과 같은 더 복잡한 관계를 모델링할 수 있도록 하기 위해.
• 합성 및 실제 데이터셋을 기반으로 BiRank의 수렴성, 효율성, 그리고 기존 방법들에 비한 우수성을 경험적으로 검증하기 위해.

제안 방법

• 알고리즘은 그래프의 스무쓰함과 질의 벡터에의 정렬을 균형 잡는 정규화 함수를 최소화함으로써 정점 점수를 반복적으로 업데이트한다.
• 알고리즘은 수렴이 보장되고 유일한 해로 수렴하는 반복적 파wr 메서드로 공식화되어 안정적이고 결정적인 순위 매기기를 보장한다.
• 그래프 정규화 관점에서 해석되며, 이는 해가 질의 벡터에서의 이탈을 방지하는 2차 형식을 최소화함으로써 그래프의 구조를 유지한다.
• 보완적인 베이지안 해석이 제시되며, BiRank를 가우시안 사전분포 하에서 최대사후확률 추정(MAP)으로 프레임워크화함으로써 향후 확률적 확장이 가능해진다.
• 텐서 기반 공식화를 통해 방법은 n-분할 그래프로 일반화되며, 삼분할 및 고차원 그래프 내 순위 매기기 가능성이 열린다.
• 실제 구현을 위해 간선 가중치와 질의 벡터는 특정 순위 매기기 가정(예: 사용자 선호도 또는 항목 인기)을 캡슐화할 수 있도록 매개변수화된다.

실험 결과

연구 질문

• RQ1 이분 그래프를 위한 순위 매기기 알고리즘은 어떻게 설계되어야 하며, 사전 정점 정보를 통합하면서도 고유한 정적 해로 수렴할 수 있는가?
• RQ2 BiRank와 그래프 정규화 사이의 이론적 관계는 무엇이며, 이를 어떻게 원칙적인 확장에 활용할 수 있는가?
• RQ3 PageRank와 HITS와 같은 기존의 무작위 보행 기반 방법들과 비교해 볼 때 BiRank는 수렴성, 효율성, 효과성 측면에서 어떻게 다른가?
• RQ4 BiRank는 사용자-항목-요소 상호작용과 같은 더 복잡한 관계를 모델링하기 위해 n-분할 그래프로 확장될 수 있는가?
• RQ5 BiRank는 항목 인기 예측 및 개인화된 추천과 같은 실세계 응용 분야에서 얼마나 효과적인가?

주요 결과

• BiRank는 항목 인기 예측에서 최신 기술 성능을 달성하며, 데이터셋 평균 기준으로 ItemKNN과 PureSVD를 8.3%의 상대적 향상률로 능가한다.
• 개인화된 추천에서 TriRank(BiRank의 삼분할 확장)는 BiRank보다 10% 이상의 상대적 향상률을 기록했으며, PageRank와 TagRW를 크게 능가한다.
• BiRank는 빠른 수렴성을 보이며, 간선 수에 대해 선형적으로 확장되어 높은 계산 효율성을 보인다.
• 데이터 희소성에 대해 강건하며, 평균 3.9개의 리뷰만을 가진 Amazon과 같은 희소 데이터셋에서 이웃 기반 협업 필터링 방법인 ItemKNN보다 뛰어난 성능을 보인다.
• TriRank를 통한 리뷰 요소 통합은 추천 성능을 크게 향상시켜, 세분화된 사용자 피드백을 통합하는 것이 가치가 있음을 시사한다.
• 항목 인기 기반의 베이스라인은 성능이 열악하여, 효과적인 추천을 위해서는 개인화된 선호도를 모델링하는 것이 필수적임을 확인한다.