[논문 리뷰] Collaboration-Aware Graph Convolutional Network for Recommender Systems

Yu Wang, Yuying Zhao외 2명|arXiv (Cornell University)|2022. 07. 03.

Recommender Systems and Techniques인용 수 4

한 줄 요약

이 논문은 공동 참여 비율(Common Interacted Ratio, CIR)이라는 새로운 위상적 지표를 통해 이웃 노드 기여도를 가중치화하여 메시지 전파를 향상시키는 GNN 기반 추천 시스템인 협업 인식 그래프 컨볼루션 네트워크(CAGCN)를 제안한다. 이는 유저의 선호도 예측에 유용한 협업 신호를 더 잘 포착하는 데 기여한다. CAGCN은 6개의 벤치마크 데이터셋에서 LightGCN 대비 Recall@20에서 약 10% 향상되었고, 80% 이상의 속도 향상을 달성하였다.

ABSTRACT

Graph Neural Networks (GNNs) have been successfully adopted in recommender systems by virtue of the message-passing that implicitly captures collaborative effect. Nevertheless, most of the existing message-passing mechanisms for recommendation are directly inherited from GNNs without scrutinizing whether the captured collaborative effect would benefit the prediction of user preferences. In this paper, we first analyze how message-passing captures the collaborative effect and propose a recommendation-oriented topological metric, Common Interacted Ratio (CIR), which measures the level of interaction between a specific neighbor of a node with the rest of its neighbors. After demonstrating the benefits of leveraging collaborations from neighbors with higher CIR, we propose a recommendation-tailored GNN, Collaboration-Aware Graph Convolutional Network (CAGCN), that goes beyond 1-Weisfeiler-Lehman(1-WL) test in distinguishing non-bipartite-subgraph-isomorphic graphs. Experiments on six benchmark datasets show that the best CAGCN variant outperforms the most representative GNN-based recommendation model, LightGCN, by nearly 10% in Recall@20 and also achieves around 80% speedup. Our code is publicly available at https://github.com/YuWVandy/CAGCN.

연구 동기 및 목표

• GNN의 메시지 전파가 추천에서 협업 효과를 어떻게 포착하는지, 그리고 이러한 효과가 사용자 선호도 예측을 향상시키는 조건을 이해하는 것.
• 이웃으로부터 온 협업 신호가 랭킹 순서 매기기에서 언제이고 어떻게 유용한지 규명하는 것.
• 위상적 이웃 구조를 기반으로 정보를 선택적으로 집계하여 잡음이나 해로운 신호를 피하는 추천 전용 GNN을 설계하는 것.
• 비이분할 부분그래프 동형이 아닌 그래프에 대해 1-WL 테스트를 초월하는 표현 능력을 지닌 그래프 컨볼루션 기법을 개발하는 것.
• 최신 GNN 기반 모델인 LightGCN보다 더 높은 추천 정확도와 더 빠른 추론 속도를 달성하는 것.

제안 방법

• 노드의 이웃과 그 이웃들의 나머지 이웃들 간 협업 수준을 측정하기 위해 새로운 위상적 지표인 공통 참여 비율(Common Interacted Ratio, CIR)을 제안한다.
• CIR 값에 기반해 이웃 메시지를 가중치화하는 협업 인식 그래프 컨볼루션(CAGC)을 도입하여 정보성 있고 협업적인 이웃을 우선순위에 두는 것을 가능하게 한다.
• CAGC를 메시지 전파에 통합한 CAGCN이라는 GNN 아키텍처를 설계하여 이웃 정보를 선택적으로 집계할 수 있도록 한다.
• CAGCN이 1-WL 테스트를 초월하여 비이분할 부분그래프 동형이 아닌 그래프를 구별할 수 있음을 증명함으로써 더 강력한 표현 능력을 지닌다는 것을 입증한다.
• 랭킹 작업에서의 성능 향상이 의미 있는지 보장하기 위해 노드 중심 평가 지표를 사용한다.
• 공개 및 새로 수집한 실세계 데이터셋을 모두 활용하여 다양한 추천 시나리오에서 모델의 성능을 검증한다.

실험 결과

연구 질문

• RQ1 GNN의 메시지 전파가 협업 효과를 어떻게 포착하며, 이러한 효과가 사용자 선호도 예측을 향상시키는 조건은 무엇인가?
• RQ2 CIR와 같은 위상적 지표가 추천 맥락에서 이웃의 협업 신호의 유용성을 효과적으로 측정할 수 있는가?
• RQ3 CIR 기반으로 이웃 기여도를 가중치화하는 GNN이 표준 GNN보다 추천 정확도와 효율성에서 뛰어난가?
• RQ4 제안된 CAGCN 모델이 추천에 관련된 구조적으로 복잡한 비이분할 부분그래프 동형이 아닌 그래프를 1-WL 테스트를 초월해 구별할 수 있는가?
• RQ5 CAGCN은 다양한 벤치마크 데이터셋에서 추론 속도와 성능에 어떤 영향을 미치는가?

주요 결과

• CAGCN은 6개의 벤치마크 데이터셋 평균에서 LightGCN 대비 Recall@20에서 9.8% 향상되었다.
• 최고 성능을 보인 CAGCN 버전은 정확도를 유지하면서 LightGCN 대비 80% 이상의 속도 향상을 달성하였다.
• CAGCN은 공개 및 새로 수집한 실세계 데이터셋 모두에서 뛰어난 성능을 보이며 일반화 능력을 입증하였다.
• CIR 지표는 사용자 선호도 예측에 더 기여하는 협업 신호를 가진 이웃을 효과적으로 식별함으로써 설계의 타당성을 검증하였다.
• CAGCN은 비이분할 부분그래프 동형이 아닌 그래프를 구별하는 데 있어 1-WL보다 더 강력한 표현 능력을 지닌다는 것을 증명하였으며, 더 강력한 구조 모델링 능력을 지닌다는 것을 시사한다.
• 높은 CIR를 가진 이웃을 우선순위에 두어 유해하거나 잡음이 많은 협업 신호의 집계 위험을 줄여 정확도를 향상시켰다.