Light Graph Convolutional Collaborative Filtering With Multi-Aspect Information

Paper: Denghua Mei; Niu Huang; Xin Li (2021). "Light Graph Convolutional Collaborative Filtering With Multi-Aspect Information." IEEE Access, 9, 34433–34441. https://doi.org/10.1109/ACCESS.2021.3061915

1. 무엇을 더하는가

협업 필터링은 사용자와 아이템의 클릭·구매 이력만으로도 추천을 만든다. LGC-ACF는 영화의 장르·감독·배우, 상품의 브랜드·카테고리처럼 아이템의 속성도 별도의 관계로 보자는 모델이다. 사용자–아이템 그래프 하나만으로 후보가 비슷해 보이면, 같은 브랜드를 선호했는지 같은 감독을 좋아했는지 알기 어렵다.

그림 1. Mei et al. (2021)의 저자 수락 원고 p. 1, Figure 1을 인용했다. 왼쪽의 구매 이력만으로는 U4의 후보 선택이 모호하지만, 오른쪽 사용자–브랜드 그래프에서는 B2와의 반복 상호작용이 남는다. 숫자는 속성별 상호작용 횟수이며, 실제 추천 정확도 결과가 아니다. 그림의 쪽수는 최종 출판본이 아닌 저자 수락 원고 기준이다.

2. 방법

속성마다 사용자–속성 이분 그래프를 만들고 각 그래프에 LightGCN의 선형 이웃 집계를 수행한다. 원래 사용자–아이템 그래프, 사용자–감독 그래프, 사용자–장르 그래프가 각각 임베딩을 만들며, 여러 층과 여러 속성의 표현을 균일하게 평균하고, 마지막 사용자·아이템 벡터의 내적으로 점수를 낸다. 속성 그래프의 간선에는 사용자와 그 속성이 상호작용한 횟수가 담긴다. 단순한 연결 여부만 나타내지는 않는다. 이 횟수가 정규화된 이웃 집계에 쓰인다.

그림 2. Mei et al. (2021)의 저자 수락 원고 p. 3, Figure 2를 인용했다. 사용자–영화와 사용자–감독 같은 측면 그래프가 각자 Light Graph Convolution을 거친 뒤 층·측면 방향으로 집계된다. 논문은 이를 weighted average라고 부르지만 실제 가중치는 균일 평균이며, 속성별 중요도를 학습하지 않는다.

아이템 표현을 만드는 과정에는 한 단계가 더 있다. 감독 그래프에서 얻은 것은 감독의 벡터이므로, 곧바로 영화의 벡터처럼 쓸 수는 없다. 논문은 아이템–속성 대응표로 감독·장르·배우의 표현을 해당 영화 행에 옮긴다. 그 뒤 영화가 받은 여러 속성 표현을 평균한다. 사용자도 속성별 그래프에서 얻은 표현을 합치므로, 두 쪽이 같은 추천 점수 계산에 들어갈 수 있다.

설명을 위한 예로, 한 사용자가 같은 감독의 영화를 반복해서 봤다고 하자. 사용자–영화 그래프에는 서로 다른 영화와의 연결이 남고, 사용자–감독 그래프에는 같은 감독을 여러 번 선택한 횟수가 남는다. 아직 보지 않은 영화라도 그 감독과 연결돼 있으면 감독의 표현을 전달받을 수 있다. 아이템 대응표가 왜 필요한지 보여 주는 설명용 예다. 실제 실험 사례는 아니다. 감독을 좋아하는지 배우를 좋아하는지의 중요도를 따로 학습하는 구조까지 뜻하지는 않는다.

층 평균과 속성 평균도 구분해야 한다. 층 평균은 이웃에서 얼마나 멀리 전파한 표현을 합칠지에 관한 것이고, 속성 평균은 감독·장르처럼 서로 다른 관계에서 얻은 표현을 합치는 단계다. 두 평균을 균일하게 둔 설계는 간결하지만, 모든 속성이 같은 품질이라는 근거를 실험에서 제공하는 것은 아니다. 잡음이 많은 속성이 섞였을 때의 영향을 따로 확인해야 하는 이유다.

3. 결과와 분모

Movielens, Amazon, Taobao에서 LGC-ACF는 MF·NGCF·LightGCN 등 상호작용-only 기준선보다 높았고, 초록은 NDCG의 상대 개선을 각각 5.31%, 4.06%, 14.9%로 보고한다. 각 수치는 NDCG@20과 NDCG@50에서 해당 열의 최고 기준선 대비 상대 개선을 구한 뒤 평균한 값이다. @20과 @50은 추천 목록의 상위 20개와 50개를 평가한다는 뜻이다. 예를 들어 MovieLens의 두 열은 각각 6.05%와 4.57% 개선이며, 비교 대상도 LR-GCCF와 LightGCN으로 다르다. 5.31%를 단일 cutoff의 점수 차이나 5.31%포인트 상승으로 읽으면 안 된다. 매출·클릭률 개선이나 새 사용자에 대한 효과는 측정하지 않았다.

4. 가장 중요한 비교 공백

LGC-ACF만 아이템 부가정보를 쓰고, 비교 표의 일곱 기준선은 상호작용 이력만 쓴다. KGCN·KGAT·NeuACF처럼 부가정보를 쓰는 더 직접적인 경쟁 모델은 관련 연구에만 등장한다. 따라서 표의 차이는 더 좋은 그래프 연산의 효과일 수도 있지만, 단순히 더 많은 정보를 받은 효과일 수도 있다. 단일 80/20 분할과 표준편차 부재도 작은 차이를 읽을 때의 경계다.

5. 적용 조건

속성 품질이 높고 같은 속성의 아이템을 함께 선호하는 패턴이 실제로 있을 때 유용하다. 속성이 결측되거나 브랜드가 지나치게 넓으면 그래프가 잡음을 섞을 수 있다. 도입 전에는 상호작용-only LightGCN, 속성만 추가한 단순 모델, 속성 경쟁 모델을 같은 속성 집합과 후보군에서 비교해야 한다.

심층 보기

References

Mei, D., Huang, N., & Li, X. (2021). Light graph convolutional collaborative filtering with multi-aspect information. IEEE Access, 9, 34433–34441. https://doi.org/10.1109/ACCESS.2021.3061915