[논문 리뷰] Enhancing Social Recommendation with Adversarial Graph Convolutional Networks

Junliang Yu, Hongzhi Yin외 4명|arXiv (Cornell University)|2020. 04. 05.

Recommender Systems and Techniques참고 문헌 57인용 수 17

한 줄 요약

이 논문은 암묵적 사회 관계를 공동으로 학습하고 이질적인 사회적 영향을 모델링하여 사회적 추천을 향상시키는 딥 제어 기반의 적대적 그래프 컬러리션 네트워크 프레임워크인 ESRF를 제안한다. GCN 기반 오토에인코더를 사용하여 희소한 사회적 데이터를 보강하고, 주목적 기반 GCN 모듈을 통해 관계 강도를 가중치화함으로써, ESRF는 세 개의 실세계 데이터셋에서 최신 기술보다 뛰어난 성능을 보이며, 희소성과 노이즈에 대한 강건성을 입증한다.

ABSTRACT

Social recommender systems are expected to improve recommendation quality by incorporating social information when there is little user-item interaction data. However, recent reports from industry show that social recommender systems consistently fail in practice. According to the negative findings, the failure is attributed to: (1) A majority of users only have a very limited number of neighbors in social networks and can hardly benefit from social relations; (2) Social relations are noisy but they are indiscriminately used; (3) Social relations are assumed to be universally applicable to multiple scenarios while they are actually multi-faceted and show heterogeneous strengths in different scenarios. Most existing social recommendation models only consider the homophily in social networks and neglect these drawbacks. In this paper we propose a deep adversarial framework based on graph convolutional networks (GCN) to address these problems. Concretely, for (1) and (2), a GCN-based autoencoder is developed to augment the relation data by encoding high-order and complex connectivity patterns, and meanwhile is optimized subject to the constraint of reconstructing the social profile to guarantee the validity of the identified neighborhood. After obtaining enough purified social relations for each user, a GCN-based attentive social recommendation module is designed to address (3) by capturing the heterogeneous strengths of social relations. Finally, we adopt adversarial training to unify all the components by playing a Minimax game and ensure a coordinated effort to enhance recommendation performance. Extensive experiments on multiple open datasets demonstrate the superiority of our framework and the ablation study confirms the importance and effectiveness of each component.

연구 동기 및 목표

• 희소하고 노이즈가 많은 사회적 관계로 인해 실무에서 사회적 추천 시스템의 성능이 떨어지는 문제를 해결하기 위해.
• 기존 모델이 모든 사회적 관계를 동일하게 취급하여 맥락에 따라 다른 이질적 영향을 간과하는 한계를 극복하기 위해.
• 암묵적 연결을 초과하여 명시적 연결 외부의 신뢰할 수 있는 암묵적 사회적 연결을 발견함으로써, 낮은 데이터 환경에서의 추천 품질을 향상시키기 위해.
• 관계 보강과 추천을 적대적 훈련을 통해 통합적으로 조율하는 통합 프레임워크를 개발하기 위해.
• 증강된 관계의 타당성을 확보하기 위해 오토에인코더가 사용자 사회적 프로필을 재구성하도록 제약을 두기 위해.

제안 방법

• 사용자 사회적 프로필의 재구성으로 타당성을 확보하는 제약 조건 하에, 고차원 연결 패턴을 학습하고 암묵적 사회적 이웃을 생성하기 위해 GCN 기반 오토에인코더를 사용한다.
• 학습 가능한 주목적 메커니즘을 갖춘 그래프 컬러리션 네트워크 모듈을 도입하여, 사회적 관계의 이질적인 강도를 모델링하고, 관련성에 따라 이웃에 다른 가중치를 할당한다.
• 관계 증강 GCN(생성기)와 추천 중심 GCN(판별기) 간의 적대적 훈련을 구현하여, 최소화 게임을 통해 두 구성 요소를 통합하고 최적화한다.
• 증강된 관계가 의미 있고 무작위가 아니라는 것을 보장하기 위해 오토에인코더를 사용자 사회적 프로필 재구성에 최적화한다.
• 이중 단계 훈련 과정을 적용한다: 먼저 오토에인코더와 주목적 모듈을 사전 훈련한 후, 적대적 손실을 통해 모든 구성 요소를 함께 미세조정한다.
• 적대적 훈련의 강도를 제어하기 위해 하이퍼파rameter β를 사용하며, 관계 증강과 추천 정확도 사이의 균형을 맞춘다.

Figure 1: The schematic overview of our framework. The arrows with solid line indicate the flow of information and the arrows with dashed line represent the computational operations of the neural networks.

실험 결과

연구 질문

• RQ1 노이즈를 유발하지 않으면서도 낮은 데이터 환경에서 희소한 사회적 관계를 효과적으로 보강할 수 있는 방법은 무엇인가?
• RQ2 고차원 연결 패턴을 통해 발견된 암묵적 사회적 이웃은 추천 성능 향상에 어느 정도 기여하는가?
• RQ3 다양한 추천 맥락에서 사회적 관계의 이질적 영향을 어떻게 모델링할 수 있는가?
• RQ4 관계 증강 모듈과 추천 모듈 간의 적대적 훈련이 별도 최적화보다 더 나은 성능을 내는가?
• RQ5 프레임워크는 이웃 수(k), 적대적 강도(β), GCN 깊이와 같은 하이퍼파rameter에 대해 얼마나 민감한가?

주요 결과

• ESRF는 Last.fm, Douban, Gowalla 데이터셋에서 최신 기술보다 뚜렷이 뛰어난 성능을 보이며, RMSE와 MAE 모두 개선되었다.
• Last.fm, Douban, Gowalla에 대해 각각 k = 40, 30, 50일 때 ESRF의 성능이 최고로 나타나며, 노이즈가 지배하기 시작하기 이전의 최적 증강 수준임을 시사한다.
• 적대적 훈련은 성능 향상에 기여하지만, 과도한 강도(높은 β)는 성능 저하를 초래하여 관계 품질과 추천 정확도 사이의 상충 관계를 확인한다.
• Last.fm, Douban, Gowalla에 대해 각각 4, 3, 4개의 GCN 레이어에서 최고 성능을 기록하며, 그 이상의 깊이에서는 수익 감소 현상이 나타난다.
• 확인된 대체 이웃의 32.44%가 명시적 사회적 관계와 겹치며, 증강된 이웃이 실제 사회적 유대와 관련이 있으며 의미 있는 것으로 확인된다.
• 모델의 주목적 가중치는 사용자별 이웃 간에 뚜렷한 변동성을 보이며, 프레임워크가 이질적인 사회적 영향 강도를 성공적으로 학습했다는 것을 확인한다.

Figure 2: Motifs used in our work. The green circles denote users and the yellow circles denote items.