[논문 리뷰] Knowledge-aware Coupled Graph Neural Network for Social Recommendation

Chao Huang, Huance Xu외 8명|arXiv (Cornell University)|2021. 10. 08.

Recommender Systems and Techniques참고 문헌 31인용 수 6

한 줄 요약

이 논문은 상호 정보 기반 그래프 학습 프레임워크를 통해 사용자-사용자 소셜 유대, 항목-항목 지식 의존성, 그리고 동적 다중 유형 사용자-항목 상호작용을 동시에 모델링하는 지식 인식형 결합 그래프 신경망인 KCGN을 제안한다. 이 방법은 고차원 협업 신호를 포착하고 이질적인 상호작용 역학을 유지함으로써 실세계 데이터셋에서 최신 기술 수준의 성능을 달성한다.

ABSTRACT

Social recommendation task aims to predict users' preferences over items with the incorporation of social connections among users, so as to alleviate the sparse issue of collaborative filtering. While many recent efforts show the effectiveness of neural network-based social recommender systems, several important challenges have not been well addressed yet: (i) The majority of models only consider users' social connections, while ignoring the inter-dependent knowledge across items; (ii) Most of existing solutions are designed for singular type of user-item interactions, making them infeasible to capture the interaction heterogeneity; (iii) The dynamic nature of user-item interactions has been less explored in many social-aware recommendation techniques. To tackle the above challenges, this work proposes a Knowledge-aware Coupled Graph Neural Network (KCGN) that jointly injects the inter-dependent knowledge across items and users into the recommendation framework. KCGN enables the high-order user- and item-wise relation encoding by exploiting the mutual information for global graph structure awareness. Additionally, we further augment KCGN with the capability of capturing dynamic multi-typed user-item interactive patterns. Experimental studies on real-world datasets show the effectiveness of our method against many strong baselines in a variety of settings. Source codes are available at: https://github.com/xhcdream/KCGN.

연구 동기 및 목표

• 기존 사회적 추천 시스템이 항목 간 지식 의존성과 상호작용 이질성을 忽시하는 한계를 해결하기 위해.
• 서로 다른 사용자와 항목 간의 고차원 협업 신호를 상호 정보 추정을 통한 글로벌 그래프 구조 인식 능력으로 모델링하기 위해.
• 시간적 인식을 갖춘 동적 다중 유형 사용자-항목 상호작용(예: 조회, 즐겨찾기, 구매)을 포착하기 위해.
• 통합적이고 엔드 투 엔드 프레임워크 내에서 사용자-사용자 및 항목-항목 관계 구조를 공동으로 인코딩하기 위해.
• 보조 지식과 구조적 사전 지식을 활용하여 희소한 상호작용 환경에서 추천 정확도와 강건성을 향상시키기 위해.

제안 방법

• KCGN은 공유 메시지 전달 메커니즘을 사용하여 사용자-사용자 및 항목-항목 그래프에서 동시에 표현을 학습하는 결합 그래프 신경망을 활용한다.
• 고차원 구조적 의존성을 포착하고 글로벌 그래프 인식 능력을 향상시키기 위해 상호 정보 기반 신경 추정기를 도입한다.
• 다양한 유형의 사용자-항목 상호작용(예: 조회, 즐겨찾기, 구매)을 위한 별도의 임베딩을 유지하면서 시간 역학을 통합하는 관계 인식 그래프 인코더를 설계한다.
• 항목 지식 그래프(예: 카테고리, 속성)로부터의 보조 지식을 통합하여 항목 표현을 풍부화하고 협업 필터링 성능을 향상시킨다.
• 다중 레이어를 거쳐 고차원 근접성과 이소모르피즘을 포착하기 위해 임베딩 전파를 수행한다.
• 상호작용 패턴에 따라 사용자 및 항목 표현을 정렬하기 위해 대비 학습 목표를 사용하여 엔드 투 엔드로 프레임워크를 훈련시킨다.

실험 결과

연구 질문

• RQ1 희소 설정에서 사용자 소셜 유대와 항목 지식 의존성을 동시에 모델링하면 추천 성능 향상에 기여하는가?
• RQ2 서로 정보 추정을 활용한 결합 GNN 아키텍처가 사용자 및 항목 간의 고차원 구조적 정보를 얼마나 효과적으로 유지하는가?
• RQ3 동적 다중 유형 사용자-항목 상호작용을 모델링하면 표현 학습 및 추천 정확도에 어느 정도 기여하는가?
• RQ4 다양한 실세계 데이터셋에서 KCGN은 최신 기술 수준의 베이스라인 대비 성능 및 효율성 측면에서 어떻게 비교되는가?
• RQ5 그래프 깊이 및 임베딩 차원과 같은 아키텍처 구성 요소가 모델 일반화 및 과적합에 미치는 영향은 어떠한가?

주요 결과

• KCGN은 Epinions, Yelp, E-commerce 세 데이터셋 전반에서 NGCF+S, GraphRec, KGAT와 같은 강력한 베이스라인을 모두 능가하여 HR@10 점수 최고 기록을 달성한다.
• Epinions 데이터셋에서 KCGN은 HR@10 0.78을 기록하여 NGCF+S(0.72)와 GraphRec(0.75)를 크게 앞서며 뚜렷한 성능 우위를 보였다.
• 2개의 그래프 레이어를 가진 모델(KCGN-2)이 최적의 성능을 보였으며, 이는 깊이가 일정 수준을 초과하면 노이즈가 증가하기 때문임을 시사한다.
• 임베딩 차원을 늘일수록 성능 향상이 이루어지지만, 더 이상 증가시킬 경우 과적합이 발생하며 최적 성능은 d=32에서 관찰되었다.
• KCGN는 경쟁적인 계산 효율성을 보였으며, Epinions에서 추론 시간 17.5초, E-commerce에서 70.2초를 기록하여 KGAT(342.8초)와 EATNN(152.7초)보다 빠르게 작동했다.
• 시각화 결과 KCGN는 특히 이소모르픽 사회적 구조를 포착하는 데 있어 NGCF+S보다 더 구분력 있고 의미 있는 사용자 및 항목 임베딩을 학습하는 것으로 나타났다.