[논문 리뷰] Heterogeneous Graph Collaborative Filtering

Zekun Li, Yujia Zheng외 3명|arXiv (Cornell University)|2020. 11. 13.

Recommender Systems and Techniques참고 문헌 31인용 수 4

한 줄 요약

이 논문은 사용자-아이템 상호작용과 사용자-사용자 행동 유사도를 통합된 이질적 그래프에서 모델링하는 GCN 기반 프레임워크인 이질적 그래프 협업 필터링(HGCF)을 제안한다. 사용자 유사도를 명시적으로 인코딩하고 그래프 연결성을 향상시킴으로써 HGCF는 고차 연결성 모델링에 대한 의존도를 줄이며, 더 적은 층수로 최신 기술 수준(SOTA) 성능을 달성하고 과도한 스무딩과 희소성 문제를 완화한다.

ABSTRACT

Graph-based collaborative filtering (CF) algorithms have gained increasing attention. Existing work in this literature usually models the user-item interactions as a bipartite graph, where users and items are two isolated node sets and edges between them indicate their interactions. Then, the unobserved preference of users can be exploited by modeling high-order connectivity on the bipartite graph. In this work, we propose to model user-item interactions as a heterogeneous graph which consists of not only user-item edges indicating their interaction but also user-user edges indicating their similarity. We develop heterogeneous graph collaborative filtering (HGCF), a GCN-based framework which can explicitly capture both the interaction signal and similarity signal through embedding propagation on the heterogeneous graph. Since the heterogeneous graph is more connected than the bipartite graph, the sparsity issue can be alleviated and the demand for expensive high-order connectivity modeling can be lowered. Extensive experiments conducted on three public benchmarks demonstrate its superiority over the state-of-the-arts. Further analysis verifies the importance of user-user edges in the graph, justifying the rationality and effectiveness of HGCF.

연구 동기 및 목표

• 기존 이분 그래프 기반 협업 필터링 방법의 한계를 해결하기 위해, 사용자 행동 유사도를 명시적으로 모델링하지 못하고 고차 연결성 모델링으로 인해 희소성과 높은 계산 비용 문제가 발생하는 문제를 해결한다.
• 사용자-아이템 상호작용과 사용자-사용자 유사도 관계를 통합한 더 연결성이 높은 이질적 그래프를 구성하여 추천 성능을 향상시키는 것.
• 이질적 그래프의 향상된 연결성을 활용하여 GCN의 깊이에 대한 요구를 줄이고, 과도한 스무딩을 방지하며 효율성을 향상시키는 것.
• 이질적 그래프에서 사용자-사용자 간선의 가중치 설정을 위한 다양한 유사도 측정 방법과 그래프 구축 전략의 효과를 실증적으로 검증하는 것.

제안 방법

• 행동 유사도 기반으로 사용자-사용자 간선을 추가하여 표준 사용자-아이템 이분 그래프를 확장하여 이질적 그래프를 구성하며, 간선 가중치는 점별 상호정보(PMI)를 사용해 계산한다.
• 이질적 그래프에서 그래프 컬러션 네트워크(GCN)를 적용하여 상호작용 신호와 유사도 신호를 동시에 전파하는 엔드 투 엔드 임베딩 학습을 수행한다.
• HGCF는 이질적 그래프의 높은 연결성 덕분에 두 층의 GCN 아키텍처로도 최적의 성능을 달성할 수 있으며, 이는 최적의 성능을 내기 충분하다.
• PMI를 사용해 사용자-사용자 유사도를 계산하며, 코사인 또는 재난 유사도보다 양수와 음수 값을 모두 허용함으로써 더 뛰어난 구별 능력을 제공한다.
• 그래프의 희소성을 제어하기 위해 유사도 임계값을 적용하여 과적합과 정보 유지를 균형 잡는다.
• 이질적 그래프의 구조를 활용해 저차 연결성을 통해 간접적인 사용자 선호도를 포착함으로써 계산 부담을 줄인다.

실험 결과

연구 질문

• RQ1 이질적 그래프에서 사용자-사용자 행동 유사도를 명시적으로 모델링하는 것이 기존의 이분 그래프 기반 방법에 비해 추천 성능에 어떤 영향을 미치는가?
• RQ2 이질적 그래프에서 사용자-사용자 간선을 구성할 때 최적의 유사도 측정 방법(예: PMI, 코사인, 재난)은 무엇인가?
• RQ3 유사도 임계값의 선택은 모델 성능과 그래프의 희소성에 어떤 영향을 미치는가?
• RQ4 이질적 그래프에서 얕은 GCN(예: 두 층)이 이분 그래프에서의 깊은 GCN보다 고차 연결성을 더 잘 포착할 수 있는가?
• RQ5 이질적 그래프가 GCN 기반 협업 필터링에서 희소성 문제를 어느 정도 완화하고 과도한 스무딩을 줄이는가?

주요 결과

• HGCF는 공개 벤치마크인 Gowalla, Yelp2018, Amazon-Book에서 최신 기술 수준(SOTA) 성능을 달성하며 기존 SOTA 방법을 능가한다.
• 모든 데이터셋에서 PMI를 유사도 측정 방법으로 사용할 경우 최고의 성능를 기록하며, Gowalla에서 Recall은 0.1614, NDCG는 0.2330을 기록하여 코사인 및 재난 유사도를 초월한다.
• 그래프 구축을 위한 최적의 유사도 임계값은 데이터셋에 따라 달라지며, Gowalla에서는 t=0, Yelp2018에서는 t=0.5에서 최고 성능를 기록함으로써 희소성과 정보 유지 간의 트레이드오프를 보여준다.
• HGCF는 단 두 층의 GCN으로도 최적의 성능를 달성할 수 있으며, 이는 이분 그래프 기반의 NGCF가 세 또는 네 층이 필요하다는 점과 대비된다. 이는 고차 연결성 모델링에 대한 의존도가 줄어들었다는 것을 시사한다.
• 두 번 이상의 층을 사용할 경우 HGCF의 성능가 감소함을 확인할 수 있었으며, 이는 매우 연결성이 높은 그래프에서 과도한 스무딩이 발생했음을 의미한다. 반면 NGCF는 최적 깊이를 초월할수록 일관되게 성능이 저하됨을 확인했다.
• 이질적 그래프 구축은 깊은 GCN 스택의 필요성을 크게 줄였으며, 이는 향상된 연결성이 고차 연결성 모델링의 요구를 낮추고 성능을 유지하거나 향상시킬 수 있음을 입증한다.