[논문 리뷰] SiReN: Sign-Aware Recommendation Using Graph Neural Networks

Changwon Seo, Kyeong-Joong Jeong외 2명|arXiv (Cornell University)|2021. 08. 19.

Advanced Graph Neural Networks인용 수 5

한 줄 요약

SiReN은 긍정적이고 부정적인 사용자-아이템 상호작용을 명시적으로 모델링하기 위해 서명된 이분 그래프를 구성하는 서명 인식 그래프 신경망(GNN) 프레임워크를 제안한다. 이는 긍정적 및 부정적 간선 하위그래프로 분할된 서명된 이분 그래프를 기반으로 하며, 각 하위그래프에 대해 별도의 GNN 및 MLP 인코더를 사용하고, 어텐션을 통해 임베딩을 결합하며, 서명 인식 베이지안 개인화된 랭킹(BPR) 손실을 통해 최적화한다. 이로 인해 다양한 데이터셋에서 최신 기술 수준(SOTA) 성능을 달성하며, 상호작용 빈도가 낮은 상황에서도 뛰어난 성능을 보인다.

ABSTRACT

In recent years, many recommender systems using network embedding (NE) such as graph neural networks (GNNs) have been extensively studied in the sense of improving recommendation accuracy. However, such attempts have focused mostly on utilizing only the information of positive user-item interactions with high ratings. Thus, there is a challenge on how to make use of low rating scores for representing users' preferences since low ratings can be still informative in designing NE-based recommender systems. In this study, we present SiReN, a new sign-aware recommender system based on GNN models. Specifically, SiReN has three key components: 1) constructing a signed bipartite graph for more precisely representing users' preferences, which is split into two edge-disjoint graphs with positive and negative edges each, 2) generating two embeddings for the partitioned graphs with positive and negative edges via a GNN model and a multi-layer perceptron (MLP), respectively, and then using an attention model to obtain the final embeddings, and 3) establishing a sign-aware Bayesian personalized ranking (BPR) loss function in the process of optimization. Through comprehensive experiments, we empirically demonstrate that SiReN consistently outperforms state-of-the-art NE-aided recommendation methods.

연구 동기 및 목표

• 기존 GNN 기반 추천 시스템이 낮은 평점(부정적 피드백)을 忽시하는 한계를 해결하기 위해, 여전히 유용한 선호 신호를 담고 있음을 고려한다.
• 통합된 GNN 프레임워크 내에서 긍정적 및 부정적 사용자-아이템 상호작용을 명시적으로 모델링하여 추천 정확도를 향상시키기 위해 노력한다.
• 낮은 평점 피드백을 활용하여 상호작용 빈도가 낮은 상황에서의 성능 저하를 완화할 수 있는 강력한 학습 메커니즘을 설계한다.
• 그래프 내 긍정적 및 부정적 이웃 관계를 구분할 수 있는 새로운 최적화 목표를 개발한다.

제안 방법

• 사용자-아이템 상호작용 데이터로부터 서명된 이분 그래프를 구성하며, 간선은 긍정적(높은 평점) 또는 부정적(낮은 평점)으로 레이블링되고, Gp(긍정적 간선) 및 Gn(부정적 간선)이라는 두 개의 간선 불공통 하위그래프로 분할된다.
• Gp에서 노드 임베딩을 학습하기 위해 GNN 모델을 적용하고, Gn에서 임베딩을 학습하기 위해 다층 퍼셉트론(MLP)을 사용하여 긍정적 및 부정적 관계의 고유한 구조적 패턴을 포착한다.
• 유연한 어텐션 메커니즘을 사용하여 두 임베딩을 결합하여, 긍정적 및 부정적 피드백 신호를 균형 있게 반영하는 최종 통합 표현을 생성한다.
• 긍정적 및 부정적 아이템 쌍 간의 상대적 선호도를 명시적으로 모델링하는 서명 인식 베이지안 개인화된 랭킹(BPR) 손실을 사용하여 모델을 최적화한다.
• 실증적으로 GNN 기반 추천에서 가장 효과적인 것으로 입증된 가중치 합 전략을 사용한 이웃 집합화를 적용한다.
• 학습 및 추론 중에 서명 인식 선호도를 유지하는 공유 필터링 프레임워크에 모델을 통합한다.

실험 결과

연구 질문

• RQ1 GNN 기반 추천 시스템에서 긍정적 피드백 외에도 부정적 피드백(낮은 평점)을 모델링할 경우 추천 정확도가 향상되는가?
• RQ2 긍정적 및 부정적 사용자-아이템 상호작용을 효과적으로 구분하기 위해 서명된 이분 그래프를 어떻게 구성하고 분할할 수 있는가?
• RQ3 GNN 프레임워크 내에서 긍정적 및 부정적 간선 하위그래프의 임베딩을 최적의 방식으로 인코딩하고 융합하는 방법은 무엇인가?
• RQ4 서명 인식 BPR 손실 함수는 기존 표준 BPR 대비 더 나은 랭킹 성능을 제공하는가?
• RQ5 특히 데이터가 적은 상황에서 상호작용 빈도가 다양할 경우, 제안된 방법의 성능은 얼마나 견고한가?

주요 결과

• SiReN은 ML-1M, Amazon-Book, Yelp 데이터셋 전반에서 6개의 벤치마크 방법을 모두 압도적으로 앞서며, 뛰어난 추천 정확도를 입증한다.
• Amazon-Book 데이터셋에서 사용자당 상호작용 수가 [0, 20)인 경우, SiReN과 두 번째로 좋은 방법(LightGCN) 간의 성능 격차는 P@5에서 최대 36.79%, R@5에서 36.98%, nDCG@5에서 36.9%에 이르게 된다.
• 가장 도전적인 희박한 설정에서 가장 뚜렷한 향상이 나타나, 상호작용 빈도 희박성에 대한 뛰어난 강건성을 보여준다.
• 부정적 간선 하위그래프(Gn)에 대해 MLP를 사용한 인코딩은 실증적으로 효과적이며, 최종 성능 향상에 기여한다.
• 서명 인식 BPR 손실 함수는 긍정적 및 부정적 이웃 관계 간의 차이를 명시적으로 모델링함으로써 모델 최적화를 향상시킨다.
• 사용자당 상호작용 수가 증가함에 따라 모든 방법의 성능이 향상되지만, SiReN는 특히 희박성이 낮은 환경에서 일관되고 뚜렷한 우위를 유지한다.