[논문 리뷰] Graph Learning based Recommender Systems: A Review

Shoujin Wang, Liang Hu외 7명|arXiv (Cornell University)|2021. 05. 13.

Recommender Systems and Techniques참고 문헌 59인용 수 11

한 줄 요약

이 논문은 그래프 학습 기반 추천 시스템(GLRS)에 대한 종합적인 리뷰를 제공한다. GLRS는 사용자-아이템 상호작용과 부가 정보를 그래프 구조로 모델링하여 추천 정확도, 신뢰성 및 설명 가능성을 향상시킨다. 그래프 표현 및 그래프 학습 기법(예: GNN, 무작위 보행)을 통해 GLRS를 체계화함으로써, 도전 과제를 체계적으로 정리하고 최신 기법들을 분류하며, 실시간 시스템을 위한 동적, 인과적, 다중 도메인, 확장 가능한 그래프 학습과 같은 주요 미래 방향을 제시한다.

ABSTRACT

Recent years have witnessed the fast development of the emerging topic of Graph Learning based Recommender Systems (GLRS). GLRS employ advanced graph learning approaches to model users' preferences and intentions as well as items' characteristics for recommendations. Differently from other RS approaches, including content-based filtering and collaborative filtering, GLRS are built on graphs where the important objects, e.g., users, items, and attributes, are either explicitly or implicitly connected. With the rapid development of graph learning techniques, exploring and exploiting homogeneous or heterogeneous relations in graphs are a promising direction for building more effective RS. In this paper, we provide a systematic review of GLRS, by discussing how they extract important knowledge from graph-based representations to improve the accuracy, reliability and explainability of the recommendations. First, we characterize and formalize GLRS, and then summarize and categorize the key challenges and main progress in this novel research area. Finally, we share some new research directions in this vibrant area.

연구 동기 및 목표

• 데이터 기반 관점에서 그래프 학습 기반 추천 시스템(GLRS)의 과제와 진전을 체계화하기 위해.
• 일般 상호작용, 순차적 상호작용, 부가 정보 데이터와 같은 데이터 유형에 기반해 기존 GLRS 기법들을 분류하기 위해.
• 동적 그래프 학습, 인과 추론, 다중망 구조, 대규모 온라인 처리와 같은 열린 연구 방향을 식별하고 논의하기 위해.
• 그래프 구조와 그래프 학습 모델을 사용하여 GLRS를 통합된 공식화로 제시하기 위해.
• 고도화된 그래프 학습 기법을 통해 추천의 설명 가능성, 신뢰성 및 확장 가능성을 향상시키기 위해.

제안 방법

• 노드가 사용자, 아이템 및 속성을 나타내고, 간선이 상호작용 또는 관계를 나타내는 그래프 $\mathcal{G} = \{\mathcal{V}, \mathcal{E}\}$로 GLRS를 공식화하기.
• 그래프 신경망(GNN), 무작위 보행 및 기타 그래프 학습 기법을 사용하여 $\mathcal{G}$에서 위상적 및 콘텐츠 기반 표현을 추출하기.
• 목표 함수 $f(M(\Theta)\mid\mathcal{G})$를 통해 추천 $\mathcal{R}$를 최적화하는 추천 모델 $M(\Theta)$를 훈련시키기, 예를 들어 유틸리티 최대화 또는 링크 예측 확률 최대화.
• 일반 상호작용 데이터, 순차적 상호작용 데이터, 부가 정보 데이터로 세 가지 유형으로 데이터를 분류하고, 각각에 맞는 고유한 그래프 표현 요구 사항을 확인하기.
• 아마존, 유플, 고와라, 디지노티카와 같은 실세계 데이터셋을 활용하여 전자상거래, 소셜, 위치 기반 도메인에서 GLRS 응용을 평가하고 예시화하기.
• 미래의 방법론적 방향으로 동적 그래프를 위한 자가 진화 모델, 설명 가능성에 적합한 인과 그래프 학습, 다중 도메인 추천을 위한 다중망 그래프 학습, 대규모 온라인 처리를 위한 효율적 알고리즘 제안하기.

실험 결과

연구 질문

• RQ1 그래프 학습 기법은 추천 시스템에서 사용자 선호도와 아이템 특성을 효과적으로 모델링하기 위해 어떻게 적용될 수 있는가?
• RQ2 일반, 순차적, 부가 정보 데이터와 같은 다양한 데이터 유형을 그래프 기반 추천 시스템에 표현할 때의 핵심 과제는 무엇인가?
• RQ3 그래프 학습 방법은 기존의 협업 필터링 또는 콘텐츠 기반 필터링 대비 정확도, 신뢰성 및 설명 가능성 측면에서 추천 성능을 어떻게 향상시키는가?
• RQ4 동적, 인과적, 다중 도메인, 대규모 온라인 환경에서 GLRS를 발전시키기 위한 가장 유망한 향후 연구 방향은 무엇인가?
• RQ5 다양한 관계를 통합적으로 표현하기 위해 그래프 구조는 어떻게 공식화될 수 있는가?

주요 결과

• GLRS는 사용자, 아이템 및 속성 간의 복잡한 관계 구조를 그래프 기반 표현을 통해 모델링함으로써 추천 성능을 크게 향상시킨다.
• 그래프 신경망과 무작위 보행은 사용자-아이템 상호작용 그래프 내 위상적 및 관계적 패턴을 효과적으로 포착한다.
• 사용자 프로필 및 아이템 속성과 같은 부가 정보는 이질적 그래프에 통합되어 추천 품질과 강건성을 향상시킬 수 있다.
• 클릭 스트림과 같은 순차적 상호작용 데이터는 시간적 동적 특성과 사용자 행동 시퀀스를 모델링함으로써 그래프 학습 기법에서 유의미한 이점을 얻는다.
• 사용자 및 아이템 간 관계가 시간에 따라 변화하는 동적 그래프를 다루는 데 있어 기존 GLRS는 여전히 과제를 안고 있으며, 자가 진화 모델의 필요성이 제기된다.
• 인과 그래프 학습과 다중망 그래프 학습은 각각 설명 가능성 및 다중 도메인 추천을 위한 핵심 기반 기술로 부상하고 있다.