[논문 리뷰] Recommender Systems Based on Generative Adversarial Networks: A Problem-Driven Perspective

Min Gao, Junwei Zhang외 4명|arXiv (Cornell University)|2020. 03. 05.

Generative Adversarial Networks and Image Synthesis참고 문헌 54인용 수 6

한 줄 요약

이 논문은 생성적 적대적 네트워크(GAN) 기반 추천 시스템에 대한 문제 중심의 종합적 서베이를 제시하며, 기존 방법을 두 가지 주요 방향으로 분류한다: 데이터 노이즈를 완화하기 위한 적대적 훈련과 데이터 희소성 문제를 해결하기 위한 GAN 기반 데이터 증강. 이 연구는 체계적인 분류 체계를 제공하고 핵심 모델들을 강조하며, 설명 가능성, 다중 도메인 추천, 확장성 등 향후 연구 방향을 규명한다.

ABSTRACT

Recommender systems (RSs) now play a very important role in the online lives of people as they serve as personalized filters for users to find relevant items from an array of options. Owing to their effectiveness, RSs have been widely employed in consumer-oriented e-commerce platforms. However, despite their empirical successes, these systems still suffer from two limitations: data noise and data sparsity. In recent years, generative adversarial networks (GANs) have garnered increased interest in many fields, owing to their strong capacity to learn complex real data distributions; their abilities to enhance RSs by tackling the challenges these systems exhibit have also been demonstrated in numerous studies. In general, two lines of research have been conducted, and their common ideas can be summarized as follows: (1) for the data noise issue, adversarial perturbations and adversarial sampling-based training often serve as a solution; (2) for the data sparsity issue, data augmentation--implemented by capturing the distribution of real data under the minimax framework--is the primary coping strategy. To gain a comprehensive understanding of these research efforts, we review the corresponding studies and models, organizing them from a problem-driven perspective. More specifically, we propose a taxonomy of these models, along with their detailed descriptions and advantages. Finally, we elaborate on several open issues and current trends in GAN-based RSs.

연구 동기 및 목표

• 문제 중심의 시각에서 GAN 기반 추천 시스템을 체계적으로 검토하여 데이터 노이즈와 데이터 희소성 문제에 집중한다.
• 데이터 노이즈와 희소성 문제를 다루는 데 기반한 메커니즘을 바탕으로 기존 모델들을 일관된 분류 체계로 정리한다.
• GAN 기반 추천 시스템 분야에서의 열려 있는 과제와 새로운 연구 방향을 규명하고 논의한다.
• 연구자들이 이 분야의 최신 발전과 향후 개발을 위한 실용적 지침을 체계적으로 이해할 수 있도록 개요를 제공한다.

제안 방법

• GAN 기반 RS 모델을 두 가지 주요 문제 중심의 방향으로 분류한다: 노이즈 완화와 데이터 희소성 완화.
• 데이터 노이즈 문제에 대해, 악성 또는 정보가 없는 피드백을 걸러내기 위해 적대적 편향 및 적대적 샘플링 기반 훈련을 검토한다.
• 데이터 희소성 문제에 대해, 사용자-아이템 상호작용의 진짜 분포를 학습함으로써 데이터 증강을 수행하는 GAN을 분석한다.
• 보조 정보(예: 부가 기능, 지식 그래프 등)를 활용하여 데이터 생성 및 표현 학습을 향상시키는 모델을 분석한다.
• 생성자는 현실적인 사용자 선호도를 합성하도록 학습하고, 판별자는 진짜와 가짜 샘플을 구별하도록 하는 프레임워크를 제안한다.
• 생성자와 판별자가 함께 진화함으로써 추천 품질과 내구성을 향상시키는 최소-최대 훈련 목표를 도입한다.

실험 결과

연구 질문

• RQ1 어떻게 GAN을 효과적으로 활용하여 악성 또는 정보가 없는 사용자 피드백에서 기인하는 데이터 노이즈 문제를 완화할 수 있는가?
• RQ2 사용자-아이템 상호작용 행렬에서 데이터 희소성 문제를 완화하기 위해 가장 효과적인 GAN 기반 전략은 무엇인가?
• RQ3 GAN을 통해 보조 정보(예: 텍스트, 지식 그래프 등)를 통합하는 GAN 기반 모델은 추천 성능 향상에 어떻게 기여하는가?
• RQ4 해석 가능성, 확장성, 다중 도메인 전이 측면에서 현재의 GAN 기반 추천 모델의 주요 한계는 무엇인가?
• RQ5 설명 가능한 AI, 다중 도메인 학습, 확장성 있는 훈련 등 향후 연구 방향 중 GAN 기반 RS의 발전에 가장 기여할 만한 분야는 무엇인가?

주요 결과

• GAN 기반 모델은 정보가 없는 또는 악성 피드백을 걸러내기 위해 적대적 훈련을 활용함으로써 데이터 노이즈의 영향을 효과적으로 감소시킨다.
• GAN 기반 데이터 증강은 낮은 데이터 환경에서 현실적인 사용자-아이템 상호작용 패턴을 생성함으로써 추천 성능을 크게 향상시킨다.
• 텍스트 리뷰, 지식 그래프 등의 보조 정보를 GAN을 통해 통합한 모델들은 희소한 환경에서 더 높은 내구성과 정확도를 보인다.
• 진전이 있었음에도 불구하고, 현재의 GAN 기반 RS는 여전히 주로 투명하지 않은 블랙박스 모델이어서 실생활 응용에서의 해석 가능성과 신뢰도를 제한한다.
• 다양한 도메인 간 지식 전이를 위해 GAN을 활용한 다중 도메인 추천은 잠재력을 보이고 있으나 여전히 탐색이 부족하고 도메인 정렬 문제로 인해 어려움을 겪고 있다.
• 스트리밍 또는 고차원 데이터를 처리할 경우 높은 계산 비용과 모델 복잡도로 인해 확장성 문제가 주요 장애물로 남아 있다.