[논문 리뷰] Graph Convolutional Matrix Completion

Rianne van den Berg, Thomas Kipf외 1명|arXiv (Cornell University)|2017. 06. 07.

Advanced Graph Neural Networks참고 문헌 23인용 수 1,102

한 줄 요약

GC-MC는 이분 그래프인 사용자-아이템 상호작용 그래프에서 그래프 컨볼루션을 수행하고 바일리니어 예측기로 디코딩하여 행렬 완성을 위한 그래프 자동 인코더를 제안하며, 특히 사이드 정보를 활용할 때 최첨단 방법과 비교해 경쟁력 있는 결과를 달성한다.

ABSTRACT

We consider matrix completion for recommender systems from the point of view of link prediction on graphs. Interaction data such as movie ratings can be represented by a bipartite user-item graph with labeled edges denoting observed ratings. Building on recent progress in deep learning on graph-structured data, we propose a graph auto-encoder framework based on differentiable message passing on the bipartite interaction graph. Our model shows competitive performance on standard collaborative filtering benchmarks. In settings where complimentary feature information or structured data such as a social network is available, our framework outperforms recent state-of-the-art methods.

연구 동기 및 목표

• 행렬 완성을 사용자-아이템 이분 그래프의 연결 예측으로 프레임화한다.
• 그래프 컨볼루션 인코더와 바일리니어 디코더를 갖춘 엔드-투-엔드 그래프 자동 인코더를 개발한다.
• 사이드 정보(예: 소셜 그래프, 특성)를 통합하여 콜드 스타트 및 전반적 성능을 향상시킨다.
• 효율적인 벡터화 구현과 미니배치를 통해 확장성을 입증한다.

제안 방법

• 각 평점 레벨에 대해 엣지 타입별 메시지를 갖는 그래프 컨볼루션 인코더를 통해 사용자 및 아이템 임베딩을 구성한다.
• 모든 이웃과 엣지 타입에 걸쳐 노드별 메시지를 집계하여 최종 사용자/아이템 임베딩을 형성한다.
• 각 평점 레벨을 별도의 클래스으로 간주하고 소프트맥스를 사용해 p(M_ij = r)를 예측하는 바일리니어 디코더로 평점을 디코딩한다.
• 관측된 평점에 대한 음의 로그가능도(negative log-likelihood)를 최소화하여 학습하되 관찰되지 않은 항목은 마스크로 처리한다.
• 정규화를 위해 노드 드롭아웃과 일반 드롭아웃을 적용하고 대규모 데이터셋에 확장하기 위해 미니배치를 사용한다.

실험 결과

연구 질문

• RQ1 이분 그래프 사용자-아이템에서 그래프 자동 인코더가 관측되지 않은 평점을 정확히 예측할 수 있는가?
• RQ2 사이드 정보(특징이나 그래프)의 통합이 예측 성능을 향상시키는가, 특히 콜드 스타트 설정에서?
• RQ3 전통적 행렬 분해와 자동 인코더 기반 기준선과 비교했을 때 그래프 컨볼루션 인코딩과 바일리니어 디코딩은 표준 CF 데이터셋에서 어떤 차이를 보이는가?
• RQ4 벡터화된 희소 연산과 미니배치를 통해 대규모 데이터셋에 확장 가능한가?
• RQ5 다양한 정규화 및 집계 선택이 성능에 어떤 영향을 미치는가?

주요 결과

• GC-MC는 표준 CF 벤치마크에서 경쟁력 있는 RMSE를 달성하며, 특히 사이드 정보가 있을 때 그렇다.
• 사이드 정보가 있는 ML-100K에서 GC-MC는 관련 방법들을 큰 차이로 상회한다.
• GC-MC는 ML-1M 및 ML-10M으로 확장되며 최첨단 CF 방법들과 여전히 경쟁력을 유지한다.
• Flixster, Douban, YahooMusic에서 사이드 정보를 활용하면 최첨단 결과를 얻는다.
• 학습된 임베딩으로 비반복적 평점 재구성만으로도 특정 설정에서 순환 그래프 방법을 능가할 수 있다.