[논문 리뷰] Graph Neural Networks in Recommender Systems: A Survey

Shiwen Wu, Fei Sun외 3명|arXiv (Cornell University)|2020. 11. 04.

Advanced Graph Neural Networks인용 수 109

한 줄 요약

정보 유형 및 작업별로 분류한 토대의 GNN 기반 추천 시스템에 대한 포괄적 고찰이며, 도전 과제, 모델, 향후 방향을 논의한다.

ABSTRACT

With the explosive growth of online information, recommender systems play a key role to alleviate such information overload. Due to the important application value of recommender systems, there have always been emerging works in this field. In recommender systems, the main challenge is to learn the effective user/item representations from their interactions and side information (if any). Recently, graph neural network (GNN) techniques have been widely utilized in recommender systems since most of the information in recommender systems essentially has graph structure and GNN has superiority in graph representation learning. This article aims to provide a comprehensive review of recent research efforts on GNN-based recommender systems. Specifically, we provide a taxonomy of GNN-based recommendation models according to the types of information used and recommendation tasks. Moreover, we systematically analyze the challenges of applying GNN on different types of data and discuss how existing works in this field address these challenges. Furthermore, we state new perspectives pertaining to the development of this field. We collect the representative papers along with their open-source implementations in https://github.com/wusw14/GNN-in-RS.

연구 동기 및 목표

• 권고 시스템에서 그래프 구조 데이터를 모델링하기 위해 그래프 신경망의 사용을 동기 부여한다.
• 정보 유형과 작업을 기반으로 GNN 기반 추천 모델의 체계적인 분류 체계를 제공한다.
• 소셜, 지식 그래프 등 다양한 데이터 모달리에 GNN을 적용하는 데 있어 핵심 과제를 식별하고 해결책을 논의한다.
• 향후 연구와 실무를 안내하기 위해 대표 모델, 데이터셋 및 평가 방법을 요약한다.
• GNN 기반 추천을 발전시키기 위한 잠재적 향후 방향으로 아홉 가지를 제시한다.

제안 방법

• 정보 유형과 추천 작업(사용자-아이템 협업 필터링, 순차적, 소셜, 지식 그래프 기반 및 기타 작업)으로 모델을 분류하는 새로운 분류 체계를 제시한다.
• GNN 기법의 다섯 가지 범주(GCN, GraphSAGE, GAT, GGNN, HGNN)와 이들이 추천과 관련성에 대해 검토하고 요약한다.
• GNN 기반 추천 모델에서 그래프 구성 전략, 이웃 집계 방법 및 정보 업데이트 메커니즘을 논의한다.
• 확장성, 이질성 및 고차 연결성과 같은 문제를 다루는 기존 연구의 해결책과 개방형 과제를 분석한다.
• GNN 기반 추천 연구에 사용되는 벤치마크 데이터셋과 평가 지표를 조사한다.
• 관찰된 격차와 추세에 기초한 향후 연구 방향에 대한 지침을 제공한다.

실험 결과

연구 질문

• RQ1 GNN 기반 추천 시스템을 구축하는 데 지배적인 정보 유형은 무엇이며 이들이 추천 작업에 어떻게 매핑되는가?
• RQ2 다양한 추천 환경에서 서로 다른 GNN 아키텍처(GCN, GraphSAGE, GAT, GGNN, HGNN)가 어떻게 성능을 발휘하고 어떤 과제(확장성, 이질성, 고차 관계)가 나타나는가?
• RQ3 추천 성능을 개선하기 위한 그래프 구성 및 이웃 집계 전략은 무엇이 있는가?
• RQ4 GNN 기반 추천 시스템의 표준 데이터셋과 평가 방법은 무엇이며, 실제 적용 사례는 어떤가?

주요 결과

• 저자들은 정보 유형과 작업에 따라 GNN 기반 추천 모델을 다섯 가지 범주로 구성하는 새로운 분류 체계를 제안한다.
• 본 고찰은 대표 모델에 대한 포괄적 검토를 제공하고 각 범주에서 핵심 문제를 어떻게 해결하는지 강조한다.
• 그들은 GNN 기반 추천 시스템에서 후속 연구를 안내하기 위한 아홉 가지 잠재적 향후 방향을 식별한다.
• 본 논문은 확장성을 위한 그래프 구성, 이웃 샘플링 및 집계 방법을 포함한 실용적 배포 고려사항을 논의한다.
• 그들은 그래프 학습의 발전을 추천 시스템의 요구 및 데이터 특성과 연결지어 구도를 종합한다.