ConsisRec: Enhancing GNN for Social Recommendation via Consistent Neighbor Aggregation

ConsisRec: Enhancing GNN for Social Recommendation via Consistent Neighbor Aggregation

ACM 

저자: 
Liangwei Yang, Zhiwei Liu,
Yingtong Dou Department of Computer Science, University of Illinois at Chicago
{lyang84,zliu213,ydou5}@uic.edu

Jing Ma
Business School,
Sichuan University
jingma@stu.scu.edu.cn

Philip S. Yu
Department of Computer Science,
University of Illinois at Chicago
psyu@uic.edu

요약 :
기존의 소셜 추천은 등급예측에 대한 콜드 스타트 문제를 완화하기 위해 사용자 항목 상호 작용과 소셜 링크를 융합하는 것을 목표로 한다.
대부분의 기존 방법은 사회적 연결이 등급 예측 프로세스와 반드시 일치하지 않음을 직관적으로 시사하는 사회적 불일치 문제를 무시한다.

컨텍스트 수준 : 소셜 그래프에 연결된 사용자의 항목 컨텍스트가 다를 수 있음을 나타냅니다. 그림 1(a)에서 컨텍스트 수준의 사회적 불일치를 보여줍니다. 대시 라인과 실선을 사용하여 사용자 항목 등급과 소셜 연결을 각각 나타냅니다.

동그라미(유저) 2와 동그라미 (유저) 3의 경우, 2번유저는 스포츠 노드에만 관심을 주고 있으며,
3번유저는 현재 서적(book)에만 초점을 갖추고 있다. 이렇게 항목의 불일치가 일어난다는 것을 컨텍스트 수준에서의 사회적 불일치라 한다.

관계 수준 : 소셜 그래프에서 실제로 동그라미(유저) 1은 스포츠에 5점(매우 좋음)을 메겨서 관계를 형성하였지만, 사실 동그라미 (유저) 2번은 1점(매우 싫음)을 주어서 관계가 형성된다는 것이다.

이 둘은 결과가 다름에도 기존의 소셜 추천에서는 사회적 불일치를 다루지 않고 있다는 것을 문제로 야기했다.

전체적인 구조의 경우는 아이템과 유저의 선형레이어를 통해서 임베딩하고(이때 concat 사용)
이를 샘플링(확률적으로 뽑아서 ) 관계attention를 지나 이를 다시 또 선형레이어를 지나고 r의 값이 나오게 된다.

관계 어탠션 :
After sampling the neighbors, we should aggregate their embeddings as illustrated in Eq
샘플링으로 뽑은 이웃들을, 가지고 aggregate를 진행한다.

결론 :
향후 작업에는 유익한 정보를 필터링하고 다른 그래프 관련 연구 방향에서 상속 된 불일치 문제를 식별하는 더 나은 방법이 포함