[논문 리뷰] Graph Neural Networks for Recommender Systems: Challenges, Methods, and Directions.

Chen Gao, Yu Zheng외 9명|arXiv (Cornell University)|2021. 09. 27.

Advanced Graph Neural Networks참고 문헌 194인용 수 27

한 줄 요약

이 종합 검토는 그래프 신경망(GNN) 기반 추천 시스템에 대해 그래프 구축, 임베딩 전파, 최적화 및 효율성 등 다양한 분야에서의 동기, 과제 및 방법을 분석하며, 포괄적인 리뷰를 제공한다. 기존 연구를 체계적으로 분류하고 열린 문제 및 향후 방향성을 제시하며, 재현 가능성을 위해 통합된 분류 체계와 코드 리포지터리 링크를 제공한다.

ABSTRACT

Recommender system is one of the most important information services on today's Internet. Recently, graph neural networks have become the new state-of-the-art approach of recommender systems. In this survey, we conduct a comprehensive review of the literature in graph neural network-based recommender systems. We first introduce the background and the history of the development of both recommender systems and graph neural networks. For recommender systems, in general, there are four aspects for categorizing existing works: stage, scenario, objective, and application. For graph neural networks, the existing methods consist of two categories, spectral models and spatial ones. We then discuss the motivation of applying graph neural networks into recommender systems, mainly consisting of the high-order connectivity, the structural property of data, and the enhanced supervision signal. We then systematically analyze the challenges in graph construction, embedding propagation/aggregation, model optimization, and computation efficiency. Afterward and primarily, we provide a comprehensive overview of a multitude of existing works of graph neural network-based recommender systems, following the taxonomy above. Finally, we raise discussions on the open problems and promising future directions of this area. We summarize the representative papers along with their codes repositories in this https URL.

연구 동기 및 목표

• 그래프 신경망(GNN) 기반 추천 시스템의 진화, 핵심 구성 요소 및 현재 최첨단 상태를 다루며 체계적인 리뷰를 제공한다.
• GNN 기반 추천에서의 주요 과제, 즉 그래프 구축, 메시지 전파, 모델 최적화 및 계산 효율성 등을 식별하고 분석한다.
• 단계, 시나리오, 목표 및 응용 기반으로 기존 GNN 기반 추천 시스템을 분류하는 통합된 분류 체계를 수립한다.
• GNN과 추천 시스템의 통합 분야에서 열려 있는 문제점과 유망한 향후 연구 방향을 부각시킨다.
• 재현 가능성과 연구의 연속성을 위해 대표적인 논문들과 공개된 코드 리포지터리들을 정리한다.

제안 방법

• 단계(예: 아이템 또는 사용자 추천), 시나리오(예: 냉시작, 순차적), 목표(예: 랭킹, 다중 작업), 응용(예: 전자상거래, 영상)의 네 가지 차원에 따라 GNN 기반 추천 시스템을 분류한다.
• 스펙트럴 및 스페이셜 변형으로 GNN 모델을 분류하며, 스페이셜 GNN(예: GCN, GAT)이 인덕티브 바이어스와 확장성 측면에서 더 널리 채택된 이유를 강조한다.
• GNN을 추천에 적용하는 데 동기를 분석하며, 고차원 사용자-아이템 상호작용 모델링, 그래프 구조적 특성 활용, 메시지 전파를 통한 감독 강화 등을 포함한다.
• 사용자-아이템 상호작용 그래프 및 지식 그래프 통합과 같은 그래프 구축 기법을 조사하고 성능에 미치는 영향을 평가한다.
• 이웃 집합 및 어텐션 기반 메시지 전파와 같은 임베딩 전파 및 집계 메커니즘을 검토하여 복잡한 종속성을 포착한다.
• 음성 샘플링, 미니배치 학습 및 근사 방법과 같은 최적화 전략 및 효율성 기법을 평가하여 대규모 추천 시스템에 GNN을 확장한다.

실험 결과

연구 질문

• RQ1 그래프 신경망을 추천 시스템에 적용하는 데 주요 동기는 무엇이며, 기존 방법에 비해 어떻게 향상되는가?
• RQ2 GNN 기반 추천를 위한 효과적인 사용자-아이템 상호작용 그래프를 구축하는 데 있어 주요 과제는 무엇인가?
• RQ3 스펙트럴 모델 대비 스페이셜 모델의 다양한 GNN 아키텍처는 추천 작업에서 어떻게 성능을 내며, 그들의 상호 보완적 특성은 무엇인가?
• RQ4 학습 효율성과 확장성 측면에서 GNN 기반 추천 모델 최적화에 가장 효과적인 전략은 무엇인가?
• RQ5 GNN과 추천 시스템의 통합 분야에서 아직 남아 있는 열린 문제점과 미래 연구 방향은 무엇인가?

주요 결과

• GNN 기반 추천 시스템은 사용자-아이템 그래프 내의 고차원 상호작용과 구조적 종속성을 모델링할 수 있는 능력 덕분에 최첨단 기술로 자리매김했다.
• GCN 및 GAT와 같은 스페이셜 GNN은 인덕티브 바이어스와 대규모 그래프에 대한 더 나은 확장성 덕분에 스펙트럴 모델보다 더 널리 채택되었다.
• 그래프 구축은 핵심 과제이며, 사용자-아이템 상호작용 그래프의 품질이 추천 성능에 결정적인 영향을 미친다.
• GNN의 메시지 전파 메커니즘은 다단계 이웃 정보를 집계함으로써 더 풍부한 사용자 및 아이템 표현을 가능하게 하여 감독을 강화한다.
• 계산 효율성은 여전히 주요 병목 현상이며, 미니배치 학습 및 근사 기법은 GNN을 산업 규모의 추천 시스템에 확장하기 위해 필수적이다.
• 이 검토는 공개된 코드 리포지터리가 있는 대표적인 논문들을 정리하여 재현 가능성을 높이고 향후 연구의 가속화를 도모한다.