링크

Neural Graph Collaborative Filtering

Abstract

• Learning vector representations (aka. embeddings) of user and items lies at the core of modern recommender systems.
  사용자와 항목의 학습 벡터 표현 (일명 임베딩)은 현대 추천 시스템의 핵심에 있습니다.

• Ranging from early matrix facotrization to recently emerged deep learning based methods, existing efforts typically obtain a user's(or an item's_ embedding by mapping from pre-existing features that describe the user(or the item), such as ID and attrbutes.
  초기 행렬 분해에서 최근에 등장한 딥 러닝 기반 방법에 이르기까지 기존 노력은 일반적으로 ID 및 속성과 같이 사용자(또는 항목)를 설명하는 기존 기능에서 매핑하여 사용자(또는 항목)의 임베딩을 얻습니다.

• We argue that an inherent drawback of such method is that, the collaborative signal, which is latent in user-item interations, is not enocded in the embedding preocess.
  우리는 이러한 방법의 고유한 단점은 사용자-항목 상호 작용에 잠재된 협업 신호가 임베딩 프로세스에서 인코딩되지 않는다는 것이라고 주장한다.

• In this work, we propose to integrate th user-item interactions -- more speifically the bipartite graph structure -- into the embedding process.
  본 연구에서는 사용자-항목 상호 작용, 특히 이분 그래프 구조를 임베딩 프로세스에 통합할 것을 제안한다.

• We develop a new recommendation frmawork Neural Graph Collaborative Filtering (NGCF), which exploits the user item graph structure by propagating embeddings on it.
  우리는 임베딩을 전파하여 사용자 항목 그래프 구조를 이용하는 새로운 추천 프레임워크인 NGCF(Neural Graph Collaborative Filtering)를 개발합니다.

• This leads to the expressive modeling of high-order connectivity in user item grap, effectively injection the collaborative signal into the embedding process in an explicit manner.
  이는 사용자 항목 그래프에서 고차 연결성의 표현형 모델링으로 이어지며, 명시적인 방식으로 임베딩 프로세스에 협업 신호를 효과적으로 주입합니다.

• We conduct extensive experiments on three public benchmarks, demonstrating significant improvements over several state-of-the-art models like HOPRec and Collaborative Memory Network.
  우리는 세 가지 공개 벤치마크에 대해 광범위한 실험을 수행하여 HOPRec [40] 및 협업 메모리 네트워크 [5]와 같은 몇 가지 최첨단 모델에 비해 상당한 개선을 보여준다.

• Further anlanysis verifies the importance of embedding propagation for learning better user and item representation, justfying the rationality and effectiveness of NGCF.
  추가 분석은 NGCF의 합리성과 효과를 정당화하여 더 나은 사용자 및 항목 표현을 학습하기 위해 전파를 임베딩하는 것의 중요성을 검증합니다.

Conclusion and Future Work

• In this work, we explictly incorporated collaborative signal into the embedding fuction of model-based CF.
  본 연구에서는 모델 기반 CF의 임베딩 기능에 협업 신호를 명시적으로 통합했다.

• We deviced a new framework NGCF, which achieves the target by leveraging high-order connectivities in the user-item intergration graph.
  우리는 새로운 프레임 워크 NGCF를 고안했는데, 이는 사용자 항목 통합 그래프에서 고차 연결성을 활용하여 목표를 달성합니다.

• The key of NGCF is the newly proposed embedding propagation layer, based on which we allow the embeddings of users and items interact with each other to harvest the collaborative signal.
  NGCF의 핵심은 새로 제안된 임베딩 전파 계층으로, 이를 기반으로 사용자와 항목의 임베딩이 서로 상호 작용하여 협업 신호를 수집할 수 있습니다.

• Extensive exeperiments on three real-world datasets demonstrate the rationality and effectiveness of injecting the user-item graph structyre into the embedding learning process.
  세 가지 실제 데이터 세트에 대한 광범위한 실험은 사용자 항목 그래프 구조를 임베딩 학습 프로세스에 주입하는 합리성과 효과를 보여줍니다.

• In future, we will further improve NGCF by incorporating the attention mechanism to learn variable weights for neighbors during embedding propagation and for the connectivities of different orders.
  향후, 임베딩 전파 동안 이웃과 다른 순서의 연결에 대한 가변 가중치를 학습하기 위한 주의 메커니즘을 통합하여 NGCF를 더욱 개선할 것이다.

• This will be beneficial to model generalization and interpretability.
  이것은 모델 일반화 및 해석 가능성에 도움이 될 것이다.

• Moreover, we are interested in exploring the adversarial learning on user/item embedding and the graph structure for enhancing the robusteness of NGCF.
  또한 NGCF의 견고성을 향상시키기 위한 사용자/항목 임베딩 및 그래프 구조에 대한 적대적 학습을 탐구하는 데 관심이 있습니다.

• This work represent an initial attempt to exploit structral knowledge with the message-passing mechanism in model-based CF and opens up new reserach possibilities.
  이 연구는 모델 기반 CF에서 메시지 전달 메커니즘으로 구조적 지식을 활용하려는 초기 시도를 나타내며 새로운 연구 가능성을 열어준다

• Specifically, there are many other forms of structural information can be useful for understanding user behaviors, such as the cross features in context-aware and semantics-rich recommendation, item knowledge graph, and social networs.
  특히, 문맥 인식 및 의미론 풍부 권고안의 교차 기능[41], 항목 지식 그래프[32] 및 소셜 네트워크[34]와 같이 사용자 행동을 이해하는 데 유용할 수 있는 다른 형태의 구조 정보가 많다

• For example, by intergrating item knowledge graph with user-item graph, we can establish knowledge-aware connectivies between user and items, whcih help unveil user decision-making process in choosing items.
  예를 들어, 항목 지식 그래프를 사용자 항목 그래프와 통합함으로써 사용자와 항목 간의 지식 인식 연결을 설정하여 항목 선택시 사용자 의사 결정 프로세스를 공개하는 데 도움이 될 수 있습니다.

Introduction

• Personalized recommendation is ubiquitous, having been applied to many online services such as E-commerce, advertising, and social media.
  개인화된 추천은 전자 상거래, 광고 및 소셜 미디어와 같은 많은 온라인 서비스에 적용되어 어디에서나 볼 수 있다.

• At its core is estimating how likely a user will adopt an item based on the historical interactions like purchases and clicks.
  그것의 핵심은 사용자가 구매와 클릭과 같은 과거의 상호 작용을 기반으로 항목을 채택할 가능성을 추정하는 것이다.

• Colallaborative filtering(CF) addresses it by assuming that begabiorally similar users would exhibit similar preference on items.
  CF(협업 필터링)는 동작적으로 유사한 사용자가 항목에 대해 유사한 선호도를 나타낼 것이라고 가정하여 이를 해결합니다.

• To implement the assumption, a common paradigm is to parameterize users and items for reconstructing historical interations, and predict user preference based on the parameters.
  가정을 구현하기 위해 공통 패러다임은 사용자와 과거 상호 작용을 재구성하기 위한 항목을 매개 변수화하고 매개 변수를 기반으로 사용자 선호도를 예측하는 것이다