[논문 리뷰] Deep Adversarial Social Recommendation

Wenqi Fan, Tyler Derr외 4명|arXiv (Cornell University)|2019. 05. 30.

Recommender Systems and Techniques참고 문헌 27인용 수 6

한 줄 요약

이 논문은 이중 매핑과 적대적 학습을 통해 항목 도메인과 사회적 도메인에서 분리된 사용자 표현을 학습하는 딥 적대적 사회적 추천 프레임워크인 DASO를 제안한다. 동적이고 하드한 음성 샘플을 생성함으로써 DASO는 사용자 및 항목 표현 학습을 향상시키며, 두 개의 실세계 데이터셋에서 최신 기준(SOTA) 모델들을 능가하는 일관된 성능 향상을 보였다.

ABSTRACT

Recent years have witnessed rapid developments on social recommendation techniques for improving the performance of recommender systems due to the growing influence of social networks to our daily life. The majority of existing social recommendation methods unify user representation for the user-item interactions (item domain) and user-user connections (social domain). However, it may restrain user representation learning in each respective domain, since users behave and interact differently in the two domains, which makes their representations to be heterogeneous. In addition, most of traditional recommender systems can not efficiently optimize these objectives, since they utilize negative sampling technique which is unable to provide enough informative guidance towards the training during the optimization process. In this paper, to address the aforementioned challenges, we propose a novel deep adversarial social recommendation framework DASO. It adopts a bidirectional mapping method to transfer users' information between social domain and item domain using adversarial learning. Comprehensive experiments on two real-world datasets show the effectiveness of the proposed framework.

연구 동기 및 목표

• 사회적 추천에서 통합된 사용자 표현의 한계를 해결하기 위해, 항목 도메인과 사회적 도메인에서 이질적인 사용자 행동으로 인해 도메인 특화 학습이 저해되는 문제를 해결하고자 한다.
• 기존의 음성 샘플링 기법이 정보가 풍부하고 동적인 음성 샘플이 부족하여 사용자 및 항목 표현 최적화에 효과적이지 못한 문제를 해결하고자 한다.
• 양방향 매핑 메커니즘을 도입하여 항목 도메인과 사회적 도메인에서 모두 사용자 표현 학습을 향상시키고자 한다.
• 적대적 학습을 활용하여 더 어려운, 정보가 풍부한 음성 샘플을 생성함으로써 사용자 및 항목 표현 최적화를 더 효과적으로 이끌고자 한다.
• 적대적 학습과 분리된 표현 학습을 통합한 통합적인 딥 러닝 프레임워크를 개발하여 사회적 추천 성능을 향상시키고자 한다.

제안 방법

• DASO는 사회적 도메인과 항목 도메인 간에 사용자 정보를 전달하는 양방향 매핑 메커니즘을 사용하여, 양 도메인의 사용자 표현을 상호 보완적으로 향상시킨다.
• 프레임워크는 GAN 유사 구조에서 생성기와 판별기를 사용하여 기저 데이터 분포를 모델링하고 학습을 위한 합성된 하드 음성 샘플을 생성한다.
• 이중 매핑을 통한 재구성 표현이 원래 사용자 표현을 충실하게 유지하도록 보장하기 위해 사이클 일致성 손실을 도입하여 데이터 희소성 문제를 완화한다.
• 쌍별 순위 기반 대trastive 손실(BPR 등)을 사용하여 사용자 및 항목 표현을 동시에 최적화하며, 적대적으로 생성된 음성 샘플로 강화한다.
• 생성기의 항목 도메인 및 사회적 도메인에 모두 적대적 학습을 적용하고, 소프트맥스 계산의 계산 효율성을 향상시키기 위해 계층적 소프트맥스를 사용한다.
• 전반적인 학습 프레임워크는 생성기와 판별기 간의 미니맥스 게임을 통해 표현 학습과 샘플 생성을 동시에 향상시킨다.

실험 결과

연구 질문

• RQ1 통합 표현에 비해 항목 도메인과 사회적 도메인에서 분리된 사용자 표현이 추천 성능을 향상시킬 수 있는가?
• RQ2 기존의 음성 샘플링에 비해 적대적으로 생성된 음성 샘플이 사회적 추천에서 더 정보가 풍부한 학습 신호를 제공할 수 있는가?
• RQ3 도메인 간의 이중 정보 순환은 데이터 희소성을 완화하고 사용자 표현 학습을 향상시키는가?
• RQ4 사이클 재구성과 적대적 학습 간의 균형이 모델 성능에 어떤 영향을 미치는가?
• RQ5 제안된 DASO 프레임워크는 기존의 최신 기준 사회적 추천 모델들을 얼마나 능가하는가?

주요 결과

• DASO는 Ciao 및 MovieLens 데이터셋에서 모두 DeepSoR 및 GraphRec와 같은 모든 베이스라인 모델을 능가하며, 더 높은 추천 정확도를 보였다.
• 특히 Precision@3 및 Recall@3에서 뚜렷한 성능 향상을 보였으며, 이는 적대적 음성 샘플링이 표현 학습을 향상시킨다는 것을 시사한다.
• 제거 실험 결과에서 양방향 매핑과 적대적 학습 구성 요소가 성능 향상에 필수적임을 확인하였다.
• 사이클 재구성 제어를 위한 하이퍼파rameter λ에 대해 성능이 상대적으로 안정적이었으며, 이는 양방향 매핑이 다양한 가중치 조건에서도 학습을 효과적으로 안정화시킨다는 것을 의미한다.
• 적대적 학습을 통해 더 효과적인 최적화가 이루어졌으며, 이는 모델이 성능 향상을 이끄는 하드 음성 샘플을 생성할 수 있었기 때문이다.
• 다양한 평가 지표와 데이터셋에서 일관된 개선을 보이며 강한 일반화 성능을 보였다.