0. Abstract

오늘 리뷰할 논문은 A Deep Graph Neural Network-Based Mechanism for Social Recommendations 이다. 본 논문에서 제안하는 GNN-SoR은 미래의 IoT 사용자들에게 보다 나은 정보를 제공하는 것을 목표로 한다.

1. Introduction

최근 IoT 기술의 발전으로, 사람들의 일상과 밀접하게 관련된 사이버 공간이 열려 다양한 사교 활동, 여가 활동, 업무 활동 등이 이루어지고 있다. IoT 기술은 정보의 양을 폭발적으로 증가시키며, 사용자는 정보의 바다에 빠져들게 된다. 이에 따라 사용자에게 적절한 적합한 item을 추천해주는 추천 시스템이 중요해지고 있다. 본 논문에서는 IoT 사용자를 위한 SoR에 초점을 맞추어 연구를 진행하였다.

Social network는 그 관계의 정량화가 어렵기 때문에 쉽지 않은 task이다. 보통은 social relationship과 user의 선호도간의 관계를 파악하는게 일반적인 접근이다. 사용자는 사회적 관계가 더 높은 사람들에게 영향을 받을 가능성이 더 크기 때문이다. 하지만 item features간에도 상관관계가 존재한다.

위 그림을 보면, 감독, 주연, 작가, 언어 등의 속성들은 모든 속성들 사이에 관계가 있음을 쉽게 알 수 있다. 그 예시로, 스티븐 스필버그가 톰 행크스와 협력한 적이 있다는 정보가 있을 때 많은 사회 집단에서 실제로 관심을 가지는 것은 두 사람 각자가 아니라 이 둘의 조합이다.

본 논문에서는 User feature를 ingerent preference와 social influence를 concat하여 구하고 item attributes를 사용한다는 점이 다른 논문들과의 구별되는 점이다. user feature space, item feature space을 두 개의 graph network로 만들어 encoding한다. 인코딩된 두 공간은 숨겨진 선호도 예측을 위한 MF 잠재 요소로 간주된다.

4. Experiments and analysis

4.1 Data sets

본 연구에 활용된 데이터셋은 SoR 분야에서 흔히 볼 수 있는 아래 세 가지 데이터이다.

1. Epinions
2. Yelp
3. Flixster

Epinions

2003년, Paolo Messa et al.에서 인터넷 크롤링을 통해 유명한 온라인 쇼핑 웹사이트인 epinions에서 수집한 데이터이다. 이 웹사이트에서 사용자는 각 item에 1에서 5사이의 정수로 선호도 등급을 메기고, 다른 사람들과의 관계를 trust하게 설정했다.

본 논문에서는 4미만의 value를 걸러내고, 5개 미만의 평점을 게시한 사용자와 5개 이하의 item을 제거했다. 또한 original 데이터에는 contents에 대한 정보와 상관관계를 포함하고 있지 않았기 때문에 유명한 쇼핑 웹사이트인 아마존에서 epinions의 상품 정보에 따라 product attribute metadata를 크롤링했다.그 후 attribute pairs의 동시 발생 기록을 search하여 크롤링된 attribute의 상관 정보를 정량화한다. 상관 관계는 0 또는 1의 binary한 값으로 표현된다. 1일 때 상관 관계가 있음을, 0일 때 상관관계가 없음을 나타낸다.

Yelp

미국 샌프란시스코의 유명한 비즈니스 리뷰 웹사이트인 Yelp는 2004년에 설립되었는데, 이 웹사이트에서 사용자는 판매자 평가, 의견 제출, 쇼핑 경험 공유 등을 할 수 있다. 데이터에는 사용자 및 판매자에 대한 정보, 판매자에 대한 사용자의 선호도, 판매자에 대한 사용자 리뷰 등이 포함된다. 이 중 데이터셋의 판매자가 item으로 간주된다. 총 데이터의 양이 방대하기 때문에 평가 기록이 3개 미만인 사용자를 걸러낸다.

Flixster

Flixster는 사용자가 선호도를 공유하고, 다른 사람과 만날 수 있는 영화 관련 온라인 웹사이트이다. 이 데이터셋은 item과 user간의 풍부한 선호도와 상관관계를 담고 있다. item의 attrivute는 IMDb5라는 유명한 온라인 영화 데이터베이스에서 메타베이터를 크롤링하고 상관관계를 추출한다. Flixster의 등급은 0.5에서 5.0까지이며, 정수가 아닌 값은 정수로 추가 변환하는 과정을 거친다.

아래 표는 전처리된 데이터셋의 통계이다.

4.2 Experimental settings

본 논문에서는 평가 지표로 RMSE, MAE, NDCG를 사용한다. NDCG는 순위에 따른 중요도를 고려하여 평가하는 지표로 값이 높을 수록 더 나은 성능을 나타낸다.

GNN-SoR 모델과 비교하는 baseline으로는 TrustMF, SocialMF, TrustSVD, AutoRec의 4가지가 있다.

GNN-SoR은 tensorflow로 구현했다. (3)과 (11)의 반복 ψ, ζ는 각각 50이고, 배치사이즈는 2000이다. tradepff parameter τ1, τ2는 각각 0.5이며 SGD의 learning rate는 0.01이다. 그리고 penalty parameter인 λ1, λ2, λ3는 각각 0.35, 0.35, 0.3으로 설정했다.

4.3 Results and analysis

데이터의 training set 비율은 60%, 80% 두 값으로 설정한다.

• Epinions
  

• Yelp
  

• Flixster
  

전반적으로 GNN-SoR이 좋은 성능을 보였다. 본 논문에서는 이에 대해 2가지 이유를 제시한다.

1. 본 논문에서는 GNN을 사용하였기 때문에 다양하고 복잡한 관계를 더 잘 표현한다.
2. item의 attribute 상관관계를 인코딩한 벡터를 사용함으로써 성능을 높였다.

그런 다음 배치사이즈를 1000, 2000, 2500, 3000, 3500, 4000으로 설정하고 권장 사이즈를 3, 5, 7, 8, 10으로 설정한다.

• Epinions
  

• Yelp
  

• Flixster
  

위 그림에서 각 그림 내부의 사각형 색 차이가 상대적으로 적기 때문에 GNN-SoR모델이 안정성 부분에서 우수함을 확인할 수 있다. 다양한 파라미터 설정에 대해 안정적으로 반응한다.

5. Conclusion

다가오는 5G 시대에 IoT가 중요한 부분으로 자리를 잡고 있다. 본 연구는 미래의 IoT 사용자를 위한 SoR 의 적용에 관한 내용이다. SoR에서 item의 attribute 상관관계를 활용함으로써 새로운 프레임워크인 GNN-SoR을 제안했다. 먼저 User feature space와 item feature space를 graph로 나타내고 각각을 graph networks를 통해 인코딩한다. 다음으로 인코딩된 두 공간이 숨겨진 선호도 예측을 위한 잠재 요소로 간주되어 missing rating values를 완성한다.