다중 작업 특성 학습을 이용한 지식 그래프 강화 추천

협업 필터링은 실제 추천 시나리오에서 희소성(sparse)과 콜드 스타트(cold start) 문제를 자주 겪습니다. 따라서 연구자와 엔지니어들은 이러한 문제들을 해결하고 추천 시스템의 성능을 개선하기 위해 부가 정보(side information)를 사용합니다. 본 논문에서는 지식 그래프(knowledge graph)를 부가 정보의 출처로 고려합니다. 우리는 지식 그래프 강화 추천(Knowledge Graph Enhanced Recommendation)을 위한 다중 작업 특징 학습 방법인 MKR(Multi-task feature learning approach for Knowledge graph enhanced Recommendation)을 제안합니다. MKR은 지식 그래프 임베딩 작업을 통해 추천 작업을 지원하는 깊고 종단간(end-to-end) 프레임워크입니다. 두 작업은 크로스 앤 컴프레스 유닛(cross&compress units)에 의해 연관되며, 이 유닛은 잠재적 특징을 자동으로 공유하고 추천 시스템 내 아이템 간 및 지식 그래프 내 엔티티 간의 고차 상호작용(high-order interactions)을 학습합니다. 우리는 크로스 앤 컴프레스 유닛이 다항식 근사(polynomial approximation)에 충분한 능력을 가지고 있음을 증명하였으며, MKR이 여러 대표적인 추천 시스템 및 다중 작업 학습 방법들보다 일반화된 프레임워크임을 보여주었습니다. 실제 데이터셋(real-world datasets)에 대한 광범위한 실험을 통해, 영화, 도서, 음악, 뉴스 추천에서 최신 기법(state-of-the-art baselines)보다 실질적인 성능 향상을 달성함을 입증하였습니다. 또한 MKR은 사용자-아이템 상호작용(user-item interactions)이 희소할지라도 적절한 성능을 유지할 수 있음을 보여주었습니다.