[논문 리뷰] Graph Learning Approaches to Recommender Systems: A Review

Shoujin Wang, Liang Hu외 8명|arXiv (Cornell University)|2020. 04. 22.

Recommender Systems and Techniques참고 문헌 35인용 수 28

한 줄 요약

이 논문은 그래프 구조를 활용하여 사용자-아이템 상호작용과 의미적 관계를 모델링함으로써 추천 정확도, 신뢰성 및 설명 가능성을 향상시키는 그래프 학습 기반 추천 시스템(GLRS)에 대한 종합적인 리뷰를 제시한다. 동일한 GLRS를 체계적으로 정의하고 동종 및 이종 그래프 학습 분야의 최근 발전을 조사함으로써, 이 분야의 핵심 과제를 밝히고 향후 연구 방향을 제시한다.

ABSTRACT

Recent years have witnessed the fast development of the emerging topic of Graph Learning based Recommender Systems (GLRS). GLRS mainly employ the advanced graph learning approaches to model users' preferences and intentions as well as items' characteristics and popularity for Recommender Systems (RS). Differently from conventional RS, including content based filtering and collaborative filtering, GLRS are built on simple or complex graphs where various objects, e.g., users, items, and attributes, are explicitly or implicitly connected. With the rapid development of graph learning, exploring and exploiting homogeneous or heterogeneous relations in graphs is a promising direction for building advanced RS. In this paper, we provide a systematic review of GLRS, on how they obtain the knowledge from graphs to improve the accuracy, reliability and explainability for recommendations. First, we characterize and formalize GLRS, and then summarize and categorize the key challenges in this new research area. Then, we survey the most recent and important developments in the area. Finally, we share some new research directions in this vibrant area.

연구 동기 및 목표

• 그래프 학습 기반 추천 시스템(GLRS)과 그 추천 정확도, 신뢰성 및 설명 가능성 향상에 기여하는 바를 체계적으로 검토하는 것.
• GLRS 프레임워크를 체계화하고 사용자 선호도 및 아이템 특성 모델링을 위한 그래프 구조를 사용하는 데 있어 핵심 과제를 분류하는 것.
• 동종 및 이종 그래프 방법을 포함한 최근 그래프 학습 기법의 발전을 조사하는 것.
• GLRS 분야에서의 새로운 연구 방향을 식별하고 논의하는 것—특히 차세대 추천 시스템을 위한 복잡한 관계 데이터 활용

제안 방법

• 논문은 사용자, 아이템 및 속성을 그래프의 노드로 모델링하고, 간접적 또는 직접적 관계를 나타내는 간선을 사용하는 GLRS를 체계화한다.
• 동종 그래프(예: 사용자-아이템 상호작용 그래프)와 이종 그래프(예: 사용자, 아이템 및 속성 노드 포함)를 포함한 그래프 유형에 따라 GLRS를 분류한다.
• 사용자-아이템 상호작용 그래프에서 표현 학습을 위한 그래프 신경망(GNN) 기법인 GCN, GAT 및 GraphSAGE를 분석한다.
• 그래프 학습이 장거리 종속성과 관계 기반 인덕티브 편향을 포착함으로써 추천 성능 향상에 어떻게 기여하는지 논의한다.
• 측면 정보(예: 아이템 설명, 사용자 인구통계학적 정보)를 그래프 구조에 통합하는 지식 융합 기법을 검토한다.
• 주의 메커니즘과 그래프 해석 가능성 기법을 통해 GLRS에 설명 가능성과 강건성을 통합하는 방법을 평가한다.

실험 결과

연구 질문

• RQ1 그래프 학습 기법은 추천 시스템에서 사용자 선호도와 아이템 특성을 효과적으로 모델링하는 데 어떻게 적용될 수 있는가?
• RQ2 GLRS에서 동종 그래프 학습과 이종 그래프 학습 간의 주요 차이점과 상호 간의 상충 관계는 무엇인가?
• RQ3 그래프 신경망(GNN)은 기존의 협업 필터링 또는 콘텐츠 기반 방법에 비해 추천의 정확도와 설명 가능성에 어떻게 기여하는가?
• RQ4 GLRS 내에서 확장성, 희소성 및 동적 업데이트 문제로 인한 주요 과제는 무엇인가?
• RQ5 차세대 그래프 기반 추천 시스템을 발전시키는 데 있어 잠재력이 있는 새로운 연구 방향은 무엇인가?

주요 결과

• 그래프 학습 기반 추천 시스템은 그래프 구조를 통해 복잡하고 비선형적인 사용자-아이템 관계를 포착함으로써 추천 정확도를 크게 향상시킨다.
• 이종 그래프 학습은 사용자, 아이템, 속성 등의 다중 유형 엔티티를 더 잘 모델링함으로써 더 표현력 있고 설명 가능한 추천을 가능하게 한다.
• GCN 및 GAT과 같은 그래프 신경망은 이웃 정보 집합 기능을 통해 다양한 벤치마크 데이터셋에서 기존 행렬 분해 및 딥러닝 기반 베이스라인보다 뛰어난 성능을 보인다.
• 그래프 구축을 통해 측면 정보를 통합하면, 특히 쿨스타트 및 희소 데이터 환경에서 성능 향상에 기여한다.
• 그래프 모델의 주의 메커니즘은 영향력 있는 사용자-아이템 상호작용이나 특징을 강조함으로써 설명 가능성을 향상시킨다.
• 이 리뷰는 확장성과 동적 그래프 업데이트를 실세계 GLRS 구현에 있어 핵심 열린 과제로 식별한다.