[논문 리뷰] Joint Item Recommendation and Attribute Inference: An Adaptive Graph Convolutional Network Approach
이 논문은 손실된 속성이 있는 사용자-아이템 이분 그래프에서 공동 아이템 추천 및 속성 추론을 위한 적응형 그래프 컨볼루션 네트워크(AGCN)를 제안한다. AGCN은 추정된 속성 값으로 그래프 임베딩을 반복적으로 개선하고, 약한 지도 학습 피드백을 통해 속성을 업데이트함으로써 실제 데이터셋에서 추천 및 추론 성능을 크게 향상시킨다.
In many recommender systems, users and items are associated with attributes, and users show preferences to items. The attribute information describes users'(items') characteristics and has a wide range of applications, such as user profiling, item annotation, and feature-enhanced recommendation. As annotating user (item) attributes is a labor intensive task, the attribute values are often incomplete with many missing attribute values. Therefore, item recommendation and attribute inference have become two main tasks in these platforms. Researchers have long converged that user (item) attributes and the preference behavior are highly correlated. Some researchers proposed to leverage one kind of data for the remaining task, and showed to improve performance. Nevertheless, these models either neglected the incompleteness of user (item) attributes or regarded the correlation of the two tasks with simple models, leading to suboptimal performance of these two tasks. To this end, in this paper, we define these two tasks in an attributed user-item bipartite graph, and propose an Adaptive Graph Convolutional Network (AGCN) approach for joint item recommendation and attribute inference. The key idea of AGCN is to iteratively perform two parts: 1) Learning graph embedding parameters with previously learned approximated attribute values to facilitate two tasks; 2) Sending the approximated updated attribute values back to the attributed graph for better graph embedding learning. Therefore, AGCN could adaptively adjust the graph embedding learning parameters by incorporating both the given attributes and the estimated attribute values, in order to provide weakly supervised information to refine the two tasks. Extensive experimental results on three real-world datasets clearly show the effectiveness of the proposed model.
연구 동기 및 목표
- 사용자 및 아이템 속성이 불완전한 추천 시스템에서의 과제를 해결함으로써 효과적인 개인화 및 콜드스터트 완화를 가능하게 한다.
- 기존 모델이 추천과 속성 추론을 별개의 과제로 간주하거나 간단한 상관관계를 사용하는 데서 비롯하는 한계를 극복한다.
- 아이템 추천과 속성 추론 간 상호 지도 학습을 활용하여 두 과제의 성능을 향상시키는 통합 프레임워크를 개발한다.
- 이분 그래프 내에서 복잡한 고차원 그래프 구조를 모델링하면서도 희박하고 불완전한 속성 데이터를 처리한다.
- 임베딩과 속성 추정치를 피드백 루프에서 반복적으로 개선하는 적응형 학습 메커니즘을 설계한다.
제안 방법
- 노드가 사용자와 아이템을 나타내고 간선이 사용자-아이템 상호작용을 나타내는 속성 부여된 사용자-아이템 이분 그래프에서의 공동 학습 과제로 문제를 정식화한다.
- 현재 속성 추정치를 사용하여 그래프 임베딩 학습을 수행하고, 업데이트된 임베딩 기반으로 속성 값의 개선을 수행하는 적응형 그래프 컨볼루션 네트워크(AGCN)를 제안한다.
- 관측된 값과 예측된 속성 값을 모두 그래프 컨볼루션 과정에 통합하여 약한 지도 신호를 통해 노드 표현 학습을 향상시킨다.
- 평가 예측 손실과 속성 추론 손실을 조합한 다중 과제 손실 함수를 사용하며, 각 과제의 기여도를 조절하는 균형 파라미터 γ를 포함한다.
- 학습 가능한 파rameter를 가진 그래프 컨볼루션 레이어를 적용하여 고차원 이웃의 정보를 집계하며, 최적의 성능을 위해 깊이 K를 조정한다.
- 훈련 안정성 향상과 표현 학습 향상을 위해 GCN 레이어 내에서 정규화 및 활성화 함수(예: ReLU)를 적용한다.
실험 결과
연구 질문
- RQ1독립적으로 처리하는 것과 비교해 복합적으로 아이템 추천 및 속성 추론을 학습할 경우 성능 향상이 이루어지는가?
- RQ2속성 추정과 그래프 임베딩 학습 간 반복 피드백 루프가 모델 성능에 어떤 영향을 미치는가?
- RQ3희박한 그래프에서 표현 학습과 과도한 스무딩을 균형 잡기 위해 최적의 그래프 컨볼루션 레이어 깊이(K)는 얼마인가?
- RQ4과제 균형 파라미터 γ가 추천과 속성 추론 성능 간의 트레이드오���에 어떤 영향을 미치는가?
- RQ5예측된 속성을 적응적으로 통합함으로써 모델이 데이터 희박성과 콜드스터트 문제를 얼마나 효과적으로 완화할 수 있는가?
주요 결과
- AGCN은 Amazon-Video Games, Movielens-1M, Movielens-20M의 세 가지 실세계 데이터셋에서 최신 기술 기준 모델, GCN 기반 모델 및 별도의 추천/추론 모델을 모두 압도한다.
- 데이터 희박성이 가장 높은 Amazon-Video Games에서 K=3일 때 최고의 성능을 기록하며, 이는 고차원 이웃 집계가 희박성 완화에 기여함을 시사한다.
- Movielens-1M과 Movielens-20M에서는 K=2에서 최적의 성능을 기록하며, 깊이가 더 깊어진 경우(K=4) 과도한 특징 확산로 인해 과도한 스무딩이 발생하고 성능 저하가 발생함을 확인하였다.
- 최적의 과제 균형 파라미터 γ는 데이터셋과 속성 유형에 따라 달라지며, 성능 최고치는 γ=0.001에서 γ=0.1 사이에서 관찰됨. γ=0 또는 γ=1로 설정할 경우 균형 잡히지 않은 지도 신호로 인해 성능 저하가 심각하게 발생함.
- AGCN의 반복 피드백 메커니즘은 HR@10과 NDCG@10에서의 아이템 추천 성능 향상과 함께 속성 추론 정확도 향상에도 일관되게 기여함을 입증하며, 공동 학습의 효과성을 보여준다.
- 제거 분석 결과, 정적 속성 입력을 사용하거나 두 과제를 별도로 처리하는 모델과 비교해 복합 학습 프레임워크와 적응형 피드백이 성능 향상에 크게 기여함을 확인하였다.
더 나은 연구,지금 바로 시작하세요
논문 읽기부터 검토까지, 연구 시간을 획기적으로 줄여보세요.
카드 등록 없음 · 무료 플랜 제공
이 리뷰는 AI가 만들고, 인간 에디터가 검토했습니다.