Neural Graph Collaborative Filtering 제3부 - introduction

Introduction

Present Work

• We propose to model the high-order connectivity information in the embedding fuction.
  임베딩 기능에서 고차 연결 정보를 모델링할 것을 제안한다.

• Instead of expanding the interaction graph as a tree which is complex to implement, we design a neural network method to propagate embeddings recursively on the graph.
  구현하기 복잡한 상호 작용 그래프를 트리로 확장하는 대신 그래프에 임베딩을 재귀적으로 전파하는 신경망 방법을 설계한다.

• This is inspired by the recent develpments of graph neural networks, which can be seen as constructing infromation flows in the embedding space.
  이는 임베딩 공간에서 정보 흐름을 구성하는 것으로 볼 수 있는 그래프 신경망[8, 32, 38]의 최근 개발에서 영감을 얻었다.

• Specifically, we device an embedding propagation layer, whcih refines a user's (or an item's) embedding by aggregating the embeddings of the interacted items (or users).
  구체적으로, 우리는 상호작용하는 항목(또는 사용자)의 임베딩을 집계하여 사용자(또는 항목) 임베딩을 세분화하는 임베딩 전파 계층을 고안한다.

• By stacking multiple embedding propagation layers, we can enforce the embeddings to capture the collaborative signal in high-order connectivities.
  여러 임베딩 전파 계층을 쌓음으로써 임베딩을 시행하여 고차 연결에서 협업 신호를 캡처할 수 있다.

• Taking Figure 1 as an example, stacking two layers captures the behavior similarity of u1 ← i2 ← u2 , stacking three layers captures the potential recommendations of u1 ← i2 ← u2 ← i4 , and the strength of the information flow (which is estimated by the trainable weights between layers) determines the recommendation priority of i4 and i5 . We conduct extensive experiments on three public benchmarks to verify the rationality and effectiveness of our Neural Graph Collaborative Filtering (NGCF) method.
  그림 1을 예로 들자면, 두 레이어를 적층하면 u1 ← i2 ← u2의 동작 유사성이 캡처되고, 세 개의 레이어를 스택하면 u1 ← i2 ← u2 ← i4의 잠재적 권장 사항이 캡처되고, 정보 흐름의 강도(레이어 간의 학습 가능한 가중치로 추정됨)가 i4와 i5의 권장 우선 순위를 결정합니다. 우리는 신경 그래프 협업 필터링 (NGCF) 방법의 합리성과 효과를 검증하기 위해 세 가지 공개 벤치 마크에 대한 광범위한 실험을 수행합니다.

• Lastly, it is worth mentioning that although the high-order connectivity infromation has been considered in a very recent method named HOP-Rec, it is only exploited to enrich the training data.
  마지막으로, 고차 연결 정보는 HOP-Rec[40]이라는 매우 최근의 방법으로 고려되었지만, 훈련 데이터를 풍부하게 하기 위해 이용될 뿐이다.

• Specifically, the prediction model of HOPRec remains to be MF, while it is trained by optimizing a loss that is augmented with high-order connectivities.
  특히, HOPRec의 예측 모델은 MF로 유지되는 반면, 고차 연결로 증가된 손실을 최적화하여 학습됩니다.

• Distinct from HOP-Rec, we contribute a new technique to intergrate high-order connectivities into the prediction model, which empireically yields better embeddings than HOP-Rec for CF.
  OP-Rec와 달리 우리는 고차 연결성을 예측 모델에 통합하는 새로운 기술을 제공합니다. 이는 CF용 HOP-Rec보다 경험적으로 더 나은 임베딩을 생성합니다.

intorduction summarize,

• To summarize, this work makes the following main contribution:

• We highlight the vritical importance of explicitly exploiting the collaborative signal in the embedding fucntionof model-based CF methods.
  우리는 모델 기반 CF 방법의 임베딩 기능에서 협업 신호를 명시적으로 활용하는 것이 매우 중요하다는 것을 강조한다.

• We propoase NGCF, a new recommendation framework based on graph neural network, which explicitly encodes the collaborative signal in the form of high-order connectivities by performing embedding propagation.
  임베딩 전파를 수행하여 협업 신호를 고차 연결의 형태로 명시적으로 인코딩하는 그래프 신경망 기반의 새로운 권장 프레임워크인 NGCF를 제안한다.

• We conduct empircal studies on three million-size datasets.

• Extensive results demonstrate the state-of-the-art performace of NGCF and its effectiveness in improving the embedding quality with neural embedding propagation.
  광범위한 결과는 NGCF의 최첨단 성능과 신경 임베딩 전파로 임베딩 품질을 개선하는 효과를 보여줍니다.