초록
우리는 사용자-항목 이분 그래프에서 포괄적인 협업 관계를 활용하여 표현 학습과 추천을 위한 통합 프레임워크인 협업 유사성 임베딩(Collaborative Similarity Embedding, CSE)을 제시합니다. 제안된 프레임워크에서는 두 가지 유형의 근접 관계를 구분합니다: 직접 근접 관계와 k차 근방 근접 관계입니다. 전자의 경우 그래프에서 관찰할 수 있는 직접적인 사용자-항목 연관성을 활용하며, 후자의 경우 사용자 간 유사성 및 항목 간 유사성과 같은 암시적 연관성을 활용합니다. 이러한 암시적 연관성은 특히 그래프가 희소할 때 중요한 정보를 제공할 수 있습니다. 또한, 확장성과 유연성을 개선하기 위해 두 가지 유형의 근접 관계를 포착하도록 특별히 설계된 샘플링 기법을 제안합니다. 8개 벤치마크 데이터셋에 대한 광범위한 실험 결과는 CSE가 최신 추천 방법론보다 현저히 우수한 성능을 보임을 입증하였습니다.