[논문 리뷰] Light Graph Convolutional Collaborative FilteringWith Multi-Aspect Information

 

LightGCN에서 성능 개선을 목표로 자료 조사 중에 LightGCN을 그대로 사용하면서, node의 feature 정보를 활용한 논문을 발견하여 간단히 리뷰해 본다.

 

 

논문 링크: https://ieeexplore.ieee.org/document/9361663

Light Graph Convolutional Collaborative Filtering With Multi-Aspect Information

 

 

 

 

논문에서는 최근의 GCN model들은 user와 item간의 interaction에만 집중한다고 비판한다. item-user interaction 너머의 보조 정보를 활용하면 분명 추천의 품질은 향상될 것이다. 예를 들어 사람들이 Item을 구매할 때는 category, brand, 기능, 디자인 등등 다양한 측면을 살펴보기 마련이다.

 

 

 

위의 그래프에서 User(4)에게 추천을 해주고 싶을 때, Item2와 Item3 중에 어떤 것을 좋아할지 알 수 없다. 하지만 Brand 정보를 사용한다면, Brand 2와 이어진 Item3를 추천해 줄 것이다.

 

 

 

 

이러한 아이디어를 바탕으로 Light GCN based Aspect-level Collaborative Filtering model (LGC-ACF) model을 제시한다.

 

 

Item의 knowledge information을 바탕으로 추가적인 bipartite graph를 만든다. 이를 LightGCN을 base로 만든 model에 집어넣는다. 각 graph에서 나온 최종적인 representation을 융합시키면 최종 추천이 가능해진다.

 

최종적인 embedding은 위의 수식처럼 평균을 내어 구한다.

 

 

 

 

성능

 

성능에서는 기존의 LightGCN보다 나은 모습을 보인다.

 

 

하지만 LGC-ACF는 추가적인 user-item graph 생성과 LightGCN 모델 학습이 필요하다.

 

새로운 graph는 모든 user와 item information node와 연결된다.

Movielens와 같은 경우 genres, directors, actors의 3가지 graph가 추가로 생성되고, LightGCN 모델 학습도 진행된다. 따라서 생성된 Graph의 개수가 N개 일때 적어도 LigthGCN의 N배의 시간 이상이 소모된다.

 

추가적으로 구매한 item의 brand를 user와 바로 연결시키는 것은 부적절할 수 있다고 생각한다. 예를 들어 샤오미 보조 배터리가 가성비가 좋아서 구매했지만, 그렇다고 샤오미 브랜드를 좋아하는 user가 아닐 수 있다. 하지만 논문의 방식은 user와 interaction이 있는 item의 brand와 user에 link를 만들어 주었다.