[논문 리뷰] DA-GCN: A Domain-aware Attentive Graph Convolution Network for Shared-account Cross-domain Sequential Recommendation

Lei Guo, Li Tang외 4명|arXiv (Cornell University)|2021. 05. 07.

Recommender Systems and Techniques참고 문헌 24인용 수 15

한 줄 요약

이 논문은 공유 계정을 고려한 다중 도메인 순차 추천을 모델링하기 위해 사용자와 아이템 간의 연결을 맺는 Cross-Domain Sequence (CDS) 그래프를 구축하는 도메인 인식 그래프 컨볼루션 네트워크인 DA-GCN을 제안한다. 이는 두 가지 새로운 어텐션 메커니즘을 활용한 도메인 인식 메시지 전파를 통해 사용자별 표현을 학습하며, 두 개의 실세계 데이터셋에서 RNN 기반 및 GCN 기반 베이스라인을 크게 능가한다.

ABSTRACT

Shared-account Cross-domain Sequential recommendation (SCSR) is the task of recommending the next item based on a sequence of recorded user behaviors, where multiple users share a single account, and their behaviours are available in multiple domains. Existing work on solving SCSR mainly relies on mining sequential patterns via RNN-based models, which are not expressive enough to capture the relationships among multiple entities. Moreover, all existing algorithms try to bridge two domains via knowledge transfer in the latent space, and the explicit cross-domain graph structure is unexploited. In this work, we propose a novel graph-based solution, namely DA-GCN, to address the above challenges. Specifically, we first link users and items in each domain as a graph. Then, we devise a domain-aware graph convolution network to learn user-specific node representations. To fully account for users' domain-specific preferences on items, two novel attention mechanisms are further developed to selectively guide the message passing process. Extensive experiments on two real-world datasets are conducted to demonstrate the superiority of our DA-GCN method.

연구 동기 및 목표

• 여러 사용자가 하나의 계정을 공유하는 상황에서 혼합된 사용자 선호도로 인해 발생하는 순차 추천 과제를 해결한다.
• 기존의 RNN 기반 모델이 도메인 간 복잡한 실체 관계와 구조적 정보를 포착하지 못하는 한계를 극복한다.
• 잠재 공간 기반 전이에만 의존하는 대신, 명시적인 다중 도메인 그래프 구조를 활용하여 세밀한 도메인 지식을 전이한다.
• 그래프 기반 표현 학습을 통해 공유 계정 하에서 순차적 행동과 사용자별 선호도를 동시에 모델링하는 방법을 개발한다.
• 실세계 데이터에서 도메인 인식 메시지 전파 및 어텐션 메커니즘의 효과를 입증한다.

제안 방법

• 사용자와 아이템 간의 상호작용을 간선으로 간주하여 두 도메인 간의 사용자와 아이템을 연결하는 Cross-Domain Sequence (CDS) 그래프를 구축한다.
• 각 도메인 내 이웃 노드로부터의 메시지 집계를 통해 도메인 인식 그래프 컨볼루션 네트워크(GCN)를 사용해 사용자별 노드 표현을 학습한다.
• 두 가지 어텐션 메커니즘을 도입한다: 하나는 대상 사용자에 대해 관련성이 높은 이웃 사용자를 가중치로 평가하고, 다른 하나는 도메인 특화된 선호도에 따라 이웃 아이템을 가중치로 평가한다.
• 각 공유 계정을 H개의 잠재 사용자로 모델링하여 개별 사용자 선호도를 포착함으로써, 공유 액세스 상황에서도 더 정확한 표현 학습을 가능하게 한다.
• 학습률 0.001, 드롭아웃 확률 0.5, 임베딩 크기 값을 검증 세트에서 튜닝하여 기울기 클리핑과 Adam 최적화를 적용한다.
• 배치 크기 128로 미니배치 확률적 경사 하강법을 사용해 모델을 훈련하고, 검증 세트에서 H ∈ [1–5] 범위에서 H를 튜닝한다.

실험 결과

연구 질문

• RQ1 공유 계정 다중 도메인 설정에서 순차적 의존성을 모델링할 때 그래프 기반 접근법이 RNN 기반 모델보다 우월한가?
• RQ2 잠재 공간 지식 전이에 비해 명시적인 다중 도메인 그래프 구조를 사용할 경우 추천 성능 향상에 얼마나 효과적인가?
• RQ3 이웃의 중요도를 가중치로 평가하는 어텐션 메커니즘이 공유 계정 환경에서 표현 학습을 얼마나 향상시키는가?
• RQ4 한 명의 가상 사용자로 간주하는 것과 비교해 계정을 H개의 잠재 사용자로 모델링할 경우 추천 정확도는 어떻게 달라지는가?
• RQ5 기존의 RNN 기반 베이스라인 대비 제안된 그래프 기반 모델의 훈련 효율성과 확장성은 어떠한가?

주요 결과

• DA-GCN은 HVIDEO 및 HAMAZON 데이터셋 모두에서 최고의 성능을 기록했으며, HVIDEO에서 MRR@5는 26.65%, Recall@20는 88.30%를 기록하여 모든 베이스라인을 능가했다.
• π-net 및 PSJNet와 같은 RNN 기반 방법에 비해 뚜렷한 성능 향상을 보이며, 순차적이고 관계 기반 데이터에 대한 GCN 기반 모델링의 우수성을 입증했다.
• 절단 실험 결과, 순차적 정보(GCN OS) 또는 어텐션 메커니즘(GCN OA)을 제거할 경우 성능 저하가 발생함으로써, 이들이 핵심적인 역할을 한다는 점을 확인했다.
• H ≥ 2인 잠재 사용자로 계정을 모델링하는 것이 단일 가상 사용자로 간주하는 것보다 더 우수한 성능을 내며, 공유 계정 모델링을 위한 설계 선택의 타당성을 입증했다.
• 다양한 훈련 비율에서 π-net 및 PSJNet에 비해 더 낮은 훈련 시간 비용을 기록하여, 대규모 데이터셋에 대한 확장성에서 뛰어난 성능을 보였다.
• HVIDEO에서의 절단 실험을 통해 DA-GCN이 어텐션 또는 순차 모델링 기능가 없는 변종보다 일관되게 뛰어난 성능을 내며 전체 아키텍처의 효과성을 입증했다.