ABSTRACT, 1. INTRODUCTION, 4.RELATED WORK 작성자 이경찬
김용직 : 2. Proposed Framework, 3. Experiment, 5. Conclusion and Future Work, 6. YJ’s Further Research Questions
이경찬 : ABSTRACT, 1. INTRODUCTION, 4.RELATED WORK
GNN은 노드 정보와 위상 구조를 포함할 수 있기 때문에 그래프 데이터를 학습하는데 있어서 파워풀하다는 것이 증명되어 왔다. 추천시스템은 유저-유저 그래프와 유저-아이템 그래프로 나타내어질 수 있고, 유저와 아이템의 latent feature 학습이 key이기 때문에, GNN의 장점은 추천시스템에서 큰 잠재력을 갖고 있다.
그러나, GNN을 기반으로 추천시스템을 구축하는데에 어려운 점이 몇 가지 존재한다. 예를 들면, 그래프 속의 관계는 모두 다른 강도를 갖고 있고, 유저는 두 그래프(유저-유저 그래프, 유저-아이템 그래프)에 모두 포함되어있다.
위와 같은 문제점을 해결하기 위해 GraphRec을 제안한다! GraphRec은 interaction과 opinions(평점 등)을 모두 잡아내기 위하여 원리적으로 접근한다.
사회적 추천 시스템(=social recommender system)은 유저가 친구, 동료와 같은 주변 사람으로부터 영향을 받는다는 가정을 기반으로 개발되어왔다. 그러므로, 사회적 관계는 추천시스템 성능을 향상시키는데 도움이 된다는 것이 증명되어 온 것이다[8, 29].
최근, 그래프 데이터를 위한 신경망인 GNN의 큰 도약이 있었다. GNN의 메인 아이디어는 주변 이웃의 feature information을 어떻게 반복적으로 결합하는가이다. 결합할 때 feature information을 변형하고, 통합함으로써 노드의 정보가 전파되기 때문에, GNN은 노드 정보 및 위상적인 정보를 가질 수 있다.
반면, 추천시스템에서의 데이터는 두 그래프로 나타내어질 수 있다. Figure 1에서 볼 수 있듯, 유저 사이의 관계를 나타내는 social graph와 유저-아이템 사이의 상호작용을 나타내는 user-item graph가 그것이다.
Figure 1: Social recommendation에서의 그래프 데이터. 왼쪽은 user-item graph이고 오른쪽은 user-user social graph이다. user-item 그래프의 각 엣지에 쓰인 숫자는 평점 등의 opinion을 의미한다.
유저는 bridge처럼 두 그래프 모두에 동시에 포함된다. 가장 자연스러운 추천은 이러한 연결 정보를 유저와 아이템의 latent factor에 주입하는 것이다[37].
그러므로, GNN이 가진 장점들은 추천시스템에 있어서 전례없는 기회를 갖게 된 것이다!