[논문 리뷰] Deep Learning on Knowledge Graph for Recommender System: A Survey

Yang Gao, Yifan Li외 3명|arXiv (Cornell University)|2020. 03. 25.

Advanced Graph Neural Networks참고 문헌 42인용 수 34

한 줄 요약

그래프 임베딩 구성요소의 분류체계를 도입하고 데이터셋, 평가 및 오픈소스 코드들을 요약한 GNN 기반 지식 인식 딥 리커맨더 시스템(GNN-KADR)에 대한 포괄적 고찰.

ABSTRACT

Recent advances in research have demonstrated the effectiveness of knowledge graphs (KG) in providing valuable external knowledge to improve recommendation systems (RS). A knowledge graph is capable of encoding high-order relations that connect two objects with one or multiple related attributes. With the help of the emerging Graph Neural Networks (GNN), it is possible to extract both object characteristics and relations from KG, which is an essential factor for successful recommendations. In this paper, we provide a comprehensive survey of the GNN-based knowledge-aware deep recommender systems. Specifically, we discuss the state-of-the-art frameworks with a focus on their core component, i.e., the graph embedding module, and how they address practical recommendation issues such as scalability, cold-start and so on. We further summarize the commonly-used benchmark datasets, evaluation metrics as well as open-source codes. Finally, we conclude the survey and propose potential research directions in this rapidly growing field.

연구 동기 및 목표

• 추천 시스템에서 지식 그래프와 그래프 신경망의 개념을 정의한다.
• GNN-KADR 시스템에서 그래프 임베딩 모듈에 대한 통일된 분류체계를 제공한다(애그리게이터와 업데이트러).
• 최첨단 GNN-KADR 모델을 검토하고 콜드 스타트 및 확장성 같은 실무적 이슈에 대한 처리 방법을 분석한다.
• 벤치마크 데이터셋, 평가 지표 및 오픈 소스 코드들을 요약한다.
• 동적성, 해석가능성, 공정성과 같은 향후 연구 방향을 제시한다.

제안 방법

• 새로운 분류체계를 제안한다: 애그리게이터(관계 비의존, 관계 인지 부분그래프, 관계 인지 어텐티브)와 업데이트너(맥락만, 단일 상호작용, 다중 상호작용).
• 대표적인 GNN-KADR 모델들을 애그리게이터/업데이트너 선택에 따라 범주화하고 비교한다.
• 실용적 추천 이슈(확장성, 콜드스타트)에 대해 논의한다.
• 데이터셋, 지표 및 사용 가능한 오픈소스 구현을 요약한다.
• 한계점 및 향후 방향에 대한 논의를 제공한다.

실험 결과

연구 질문

• RQ1 지식 인식형 딥 리커맨더 시스템에서 사용되는 핵심 그래프 임베딩 구성요소는 무엇인가?
• RQ2 다양한 애그리게이터와 업데이트너가 KG 기반 추천 시스템의 성능과 확장성에 어떤 영향을 미치는가?
• RQ3 이 연구 영역을 지배하는 데이터셋, 지표, 오픈소스 자원은 무엇인가?
• RQ4 GNN-KADR의 주요 도전과제와 향후 연구 방향은 무엇인가?
• RQ5 GNN 기반 접근법은 추천에서 콜드스타트 및 동적성과 같은 문제를 어떻게 해결하는가?

주요 결과

• 그래프 임베딩 모듈을 중심으로 한 GNN 기반 지식 인식 딥 리커맨더(GNN-KADR) 시스템의 분류체계를 제시한다.
• 대표 모델을 검토하고 그들의 애그리게이터와 업데이트너를 비교한다.
• 확장성 및 콜드스타트와 같은 실무적 이슈에 대한 해결책을 강조한다.
• 벤치마크 데이터셋, 평가 지표 및 이용 가능한 오픈소스 코드에 대한 통합 요약을 제공한다.
• 동적성, 해석가능성, 공정성 같은 향후 방향을 제시하고 한계점을 논의한다.
• 관계 인지 어텐티브 애그리게이터가 대규모 KG 기반 RS에 대해 확장가능하고 설명가능한 모델링을 제공한다는 결론을 내린다.