[논문 리뷰] Graph Neural Networks for Social Recommendation

Wenqi Fan, Yao Ma외 5명|arXiv (Cornell University)|2019. 02. 19.

Advanced Graph Neural Networks참고 문헌 42인용 수 60

한 줄 요약

GraphRec은 의견 인식 상호작용 및 주의 메커니즘을 활용하여 사용자-아이템 상호작용 그래프와 사용자-사용자 소셜 그래프를 공동으로 모델링하는 소셜 추천용 그래프 신경망 프레임워크로, Ciao와 Epinions에서 기준 모델보다 우수한 성능을 달성한다.

ABSTRACT

In recent years, Graph Neural Networks (GNNs), which can naturally integrate node information and topological structure, have been demonstrated to be powerful in learning on graph data. These advantages of GNNs provide great potential to advance social recommendation since data in social recommender systems can be represented as user-user social graph and user-item graph; and learning latent factors of users and items is the key. However, building social recommender systems based on GNNs faces challenges. For example, the user-item graph encodes both interactions and their associated opinions; social relations have heterogeneous strengths; users involve in two graphs (e.g., the user-user social graph and the user-item graph). To address the three aforementioned challenges simultaneously, in this paper, we present a novel graph neural network framework (GraphRec) for social recommendations. In particular, we provide a principled approach to jointly capture interactions and opinions in the user-item graph and propose the framework GraphRec, which coherently models two graphs and heterogeneous strengths. Extensive experiments on two real-world datasets demonstrate the effectiveness of the proposed framework GraphRec. Our code is available at \url{https://github.com/wenqifan03/GraphRec-WWW19}

연구 동기 및 목표

• 소셜 관계를 활용하여 recommender 시스템을 향상시키려는 동기를 제시한다.
• 사용자-아이템 상호작용과 소셜 연결을 통합하는 단일화된 GNN 프레임워크를 개발한다.
• 사용자-아이템 그래프에서 상호작용과 의견을 모두 포착하고 이질적인 소셜 연계 강도를 고려한다.
• 실제 데이터세트에서 GraphRec의 효과를 입증하고 강력한 기준선들과 비교한다.

제안 방법

• 세 가지 구성요소: 사용자 모델링, 아이템 모델링, 평점 예측을 포함한 GraphRec를 제안한다.
• 사용자-아이템 그래프로부터의 아이템 집계와 소셜 그래프로부터의 소셜 집계를 사용하여 사용자 잠재 인자를 학습한다.
• 아이템 임베딩과 의견 임베딩을 MLP를 통해 융합하여 의견 인식 상호작용 표현을 도입한다.
• 맞춤형 집계를 위해 상호작용(알파)과 소셜 연계(베타)를 가중하는 어텐션 메커니즘을 구현한다.
• 의견 인식 상호작용에 대한 주의(mu)를 사용한 사용자 집계를 통해 아이템 잠재 인자를 학습하고, 연결된 사용자 및 아이템 인자를 이용한 MLP로 평점을 예측한다.
• 사용자, 아이템, 의견 임베딩을 공동으로 학습하고 제곱 손실에 대해 RMSprop으로 최적화한다.

실험 결과

연구 질문

• RQ1 소셜 추천을 위한 단일 GNN 프레임워크에서 두 이종 그래프(사용자-아이템과 사용자-사용자)를 어떻게 일관되게 모델링할 수 있는가?
• RQ2 사용자-아이템 상호작용에 대한 의견 정보를 도입하여 사용자/아이템 표현과 평점 예측을 개선할 수 있는가?
• RQ3 상호작용 및 소셜 연계에 대한 어텐션 메커니즘이 학습된 표현의 질을 향상시키는가?
• RQ4 실제 데이터셋에서 GraphRec의 실증적 성능은 전통적인 및 신경망 기반 소셜 추천 시스템과 비교하여 어떠한가?

주요 결과

• GraphRec는 Ciao와 Epinions 전반에서 RMSE와 MAE 기준으로 기준 방법들을 일관되게 능가한다.
• 소셜 네트워크 정보를 포함하는 것이 평점 데이터만 사용하는 모델에 비해 추천 성능을 향상시킨다.
• 사용자-아이템 상호작용에 대한 의견 정보를 포함시키면 추가 예측 이점을 얻는다.
• 아이템 수준 상호작용과 소셜 연계 모두에 대한 어텐션 메커니즘이 성능 향상에 기여한다.
• 사회 정보나 의견 중 어느 하나를 제거한 애블레이션 변형은 성능 저하를 보이며 이들의 중요성을 강조한다.