[논문 리뷰] DGTN: Dual-channel Graph Transition Network for Session-based Recommendation

Yujia Zheng, Siyi Liu외 2명|arXiv (Cornell University)|2020. 09. 21.

Recommender Systems and Techniques참고 문헌 40인용 수 7

한 줄 요약

DGTN은 채널 인식형 전파를 사용하는 통합 그래프를 구축하여 대상 세션과 그 이웃 세션 내의 아이템 전이를 모두 모델링하는 이중채널 그래프 전이 네트워크를 제안한다. 실세계 데이터셋에서의 실험 결과, DGTN은 최신 기술을 초월하며, 그래프 기반 학습을 통해 교차 세션 협업 전이를 명시적으로 모델링하는 것이 효과적임을 입증한다.

ABSTRACT

The task of session-based recommendation is to predict user actions based on anonymous sessions. Recent research mainly models the target session as a sequence or a graph to capture item transitions within it, ignoring complex transitions between items in different sessions that have been generated by other users. These item transitions include potential collaborative information and reflect similar behavior patterns, which we assume may help with the recommendation for the target session. In this paper, we propose a novel method, namely Dual-channel Graph Transition Network (DGTN), to model item transitions within not only the target session but also the neighbor sessions. Specifically, we integrate the target session and its neighbor (similar) sessions into a single graph. Then the transition signals are explicitly injected into the embedding by channel-aware propagation. Experiments on real-world datasets demonstrate that DGTN outperforms other state-of-the-art methods. Further analysis verifies the rationality of dual-channel item transition modeling, suggesting a potential future direction for session-based recommendation.

연구 동기 및 목표

• 기존의 세션 기반 추천 방법이 대상 세션 내 전이에만 초점을 맞추며 유사한 이웃 세션의 협업 신호를 忽시하는 한계를 해결하기 위해.
• 대상 세션과 유사한 이웃 세션들을 하나의 그래프 구조로 통합하여 다양한 세션 간의 복잡한 아이템 전이를 모델링하기 위해.
• 세션 내 전이(대상 내부)와 세션 간 전이(대상과 이웃 간)를 명시적으로 구분하고 학습하여 추천 정확도를 향상시키기 위해.
• 광범위한 실험과 분해 분석을 통해 이중채널 전이 모델링의 효과성과 타당성을 검증하기 위해.

제안 방법

• 세션 수준의 임베딩 유사도 기반으로 대상 세션과 가장 유사한 이웃 세션들을 식별하여, 이를 기반으로 통합 그래프를 구성한다.
• 채널 인식형 그래프 전파 적용: 대상 세션 내 전이(내부 전이)와 대상 세션과 이웃 세션 간 전이(외부 전이)에 대해 별도의 전파 메커니즘을 사용한다.
• 두 채널의 특징을 융합하기 위해 융합 함수(예: CNN 풀링, 최대 풀링)를 활용하여, 모델이 국소적이고 협업 기반의 전이 패턴을 모두 학습할 수 있도록 한다.
• 노드 임베딩을 업데이트하기 위해 GNN 기반 메시지 전달을 사용하고, 다음 아이템 예측을 위한 교차 엔트로피 손실을 통해 모델을 훈련시킨다.
• 유사도 기반 이웃 세션 선택 전략을 사용하여 관련 있는 이웃 세션들만 그래프에 포함되도록 하여, 의미적으로 유사하지 않은 세션들이 노이즈로 영향을 주지 않도록 한다.
• 그래프 신경망(GNNs)을 활용하여 구성된 그래프를 통해 임베딩을 전파함으로써 장거리 종속성과 협업 행동 패턴을 포착한다.

실험 결과

연구 질문

• RQ1 대상 세션과 그 이웃 세션 내의 아이템 전이를 함께 모델링하면 세션 기반 추천 성능이 향상되는가?
• RQ2 세션 내 전이와 세션 간 전이를 별도로 모델링하는 이중채널 설계는 추천 정확도에 어떤 영향을 미치는가?
• RQ3 성능을 극대화하면서 노이즈를 최소화하기 위해 그래프에 포함시킬 최적의 이웃 세션 수는 얼마인가?
• RQ4 세션 내 및 세션 간 특징를 융합하는 데 사용된 다양한 융합 함수는 모델 성능에 어떤 영향을 미치는가?
• RQ5 SR-GNN과 같은 기존의 그래프 기반 세션 추천 모델과 비교해 DGTN의 효율성은 어떠한가?

주요 결과

• DGTN은 Diginetica 및 Yoochoose 1/64 데이터셋에서 모두 최신 기술(SOTA) 성능을 달성하였으며, GRU4REC, NARM, KNN-RNN, CSRM, SR-GNN 등의 RNN 기반 및 GNN 기반 베이스라인을 모두 능가한다.
• 이웃 세션 수가 증가함에 따라 성능이 향상되다가 최적점(r=140 on Yoochoose 1/64, r=120 on Diginetica)에 도달한 후, 유사도가 낮은 세션들로 인한 노이즈로 인해 성능이 저하됨을 확인하였다.
• CNN 풀링이 Recall@20 및 MRR@20 모두에서 가장 높은 성능을 기록하여, 이중 채널에서 중요한 특징을 효과적으로 포착할 수 있음을 시사한다.
• 최대 풀링 또한 뛰어난 성능을 보이며 각 채널에서 가장 중요한 특징을 효과적으로 선별함을 보여주지만, 평균 풀링과 연결(concatenation)은 채널 간 차이를 잘 처리하지 못해 성능이 열 劣하다.
• SR-GNN 대비 약간 높은 훈련 시간과 GPU 메모리 사용량을 보였지만, 성능 향상에 비해 증가 폭은 미미하며 수용 가능한 수준이었다.
• 분해 분석 결과, 이웃 세션 전이를 통합함으로써 추천 정확도가 상당히 향상됨을 확인하였으며, 이는 모델 설계의 타당성을 뒷받침한다.