[논문 리뷰] SocialGCN: An Efficient Graph Convolutional Network based Model for Social Recommendation

Le Wu, Peijie Sun외 4명|arXiv (Cornell University)|2018. 11. 07.

Recommender Systems and Techniques참고 문헌 23인용 수 85

한 줄 요약

SocialGCN 모델은 소셜 확산을 그래프 컨볼루션 네트워크로 활용하여 소셜 추천을 개선하며, 확산 기반 사용자 임베딩과 아이템 임베딩, 그리고 선택적 속성 정보를 결합합니다.

ABSTRACT

Collaborative Filtering (CF) is one of the most successful approaches for recommender systems. With the emergence of online social networks, social recommendation has become a popular research direction. Most of these social recommendation models utilized each user's local neighbors' preferences to alleviate the data sparsity issue in CF. However, they only considered the local neighbors of each user and neglected the process that users' preferences are influenced as information diffuses in the social network. Recently, Graph Convolutional Networks~(GCN) have shown promising results by modeling the information diffusion process in graphs that leverage both graph structure and node feature information. To this end, in this paper, we propose an effective graph convolutional neural network based model for social recommendation. Based on a classical CF model, the key idea of our proposed model is that we borrow the strengths of GCNs to capture how users' preferences are influenced by the social diffusion process in social networks. The diffusion of users' preferences is built on a layer-wise diffusion manner, with the initial user embedding as a function of the current user's features and a free base user latent vector that is not contained in the user feature. Similarly, each item's latent vector is also a combination of the item's free latent vector, as well as its feature representation. Furthermore, we show that our proposed model is flexible when user and item features are not available. Finally, extensive experimental results on two real-world datasets clearly show the effectiveness of our proposed model.

연구 동기 및 목표

• 협업 필터링의 데이터 희소성을 줄이기 위해 소셜 네트워크를 활용한 추천.
• 레이어드 GCN 프레임워크를 사용하여 사용자의 선호가 소셜 연결을 통해 확산되는 방식을 모델링합니다.
• 잠재 임베딩에 아이템 및 사용자 속성을 자유 기저 벡터로 통합합니다.
• 사용자/아이템 속성이 없거나 사용할 수 없는 경우에도 작동하는 유연한 프레임워크를 제공합니다.
• 실제 Yelp 및 Flickr 데이터 세트에서 실증적으로 개선을 입증합니다.

제안 방법

• 사용자를 레이어별 확산 임베딩으로 표현하되 h_a^0는 사용자 특징 x_a와 자유 기저 벡터 p_a를 결합합니다.
• 항목을 y_i 특징과 자유 기저 잠재 벡터 q_i의 조합으로 신경 변환( v_i = F [q_i, y_i])을 통해 표현합니다.
• K개의 GCN 계층을 통해 사용자 확산을 모델링: h_a^{k+1} = ReLU(W^k [ aggregate({h_b^k | b in S_a}), h_a^k ]) 여기서 S_a는 소셜 이웃.
• 최종 사용자 임베딩 u_a = h_a^K + 사용자가 상호작용한 아이템들의 v_i 평균 R_a( SVD++와 유사 ).
• 관찰/관찰되지 않은 상호작용에 대한 페어와이즈 베이지안 랭크 손실 및 규제(Adam 최적화)로 최적화합니다.
• 명시적 사용자/아이템 속성의 유무에 따라 작동하며, 속성이 없으면 사용자/아이템에 대한 자유 임베딩으로 축소됩니다.

실험 결과

연구 질문

• RQ1 SocialGCN이 Yelp, Flickr와 같은 실제 데이터 세트에서 최첨단의 사회적 추천 기본 모델을 능가할 수 있을까요?
• RQ2 확산 깊이, 특징 기반 임베딩, 자유 기저 잠재 벡터의 기여도는 성능에 어떤 영향을 미치나요?
• RQ3 사용자/아이템 속성이 없을 때 모델은 견고합니까?
• RQ4 암시적 피드백 설정에서 SocialGCN은 BPR, TrustSVD, ContextMF, PinSage와 같은 기본 모델과 비교하여 어떤 성능을 보일까요?

주요 결과

• SocialGCN은 Yelp와 Flickr에서 HR@10 및 NDCG@10 지표에서 일관되게 기본 모델을 능가합니다.
• 확산 깊이를 2 이상으로 증가시켜도 이익이 감소하거나 없으며, 일반적으로 K=2가 강력한 성능을 제공합니다.
• 사용자 및 아이템 속성(가능한 경우)과 자유 기저 잠재 벡터를 모두 도입하면 성능이 크게 향상됩니다.
• 속성 부족 설정에서도 모델의 효과가 유지되어 유연성 및 일반화가 입증됩니다.
• Yelp 및 Flickr에서 SocialGCN은 경쟁 baselines보다 뚜렷한 개선을 달성합니다(예: 보고된 설정에서 PinSage, TrustSVD 및 ContextMF를 능가).