RippleNet: 지식 그래프를 활용한 사용자 선호도 전파 기법 추천 시스템에의 적용

협업 필터링의 희소성 및 콜드 스타트 문제를 해결하기 위해 연구자들은 일반적으로 소셜 네트워크나 아이템 속성과 같은 부가 정보를 활용하여 추천 성능을 개선합니다. 본 논문에서는 지식 그래프를 부가 정보의 출처로 고려합니다. 기존의 임베딩 기반 및 경로 기반 방법이 지식 그래프 인지 추천에서 가지는 제한점을 해결하기 위해, 우리는 Ripple Network라는 엔드-투-엔드 프레임워크를 제안합니다. 실제 물 표면에서 파동이 전파되는 것처럼, Ripple Network는 사용자의 잠재적 관심사를 지식 그래프의 링크를 따라 자동으로 반복적으로 확장하여 사용자의 선호도가 지식 엔티티 집합 위에서 전파되도록 합니다. 사용자가 과거에 클릭한 아이템들에 의해 활성화된 여러 개의 "파동"은 중첩되어 후보 아이템에 대한 사용자의 선호도 분포를 형성하며, 이는 최종 클릭 확률을 예측하는 데 사용될 수 있습니다. 실제 데이터셋을 이용한 광범위한 실험을 통해, Ripple Network가 영화, 책, 뉴스 추천 등 다양한 시나리오에서 여러 최신 기법들을 능가하는 실질적인 성능 향상을 달성함을 입증하였습니다.