지식 그래프 학습과 추천의 통합: 사용자 선호도에 대한 더 나은 이해를 향하여

지식 그래프(KG)를 추천 시스템에 통합하는 것은 추천 정확도와 설명력을 향상시키는 데 있어 유망한 방법이다. 그러나 기존 방법들은 대부분 지식 그래프가 완전하다는 가정을 하고 있으며, 단순히 KG의 엔티티 원시 데이터나 임베딩(embeddings) 수준에서 '지식'을 전송한다. 이는 실제 KG가 거의 완전할 수 없으며, KG에 누락된 사실, 관계, 및 엔티티가 흔하다는 점을 고려하지 않기 때문에 최적의 성능을 내지 못할 가능성이 있다. 따라서 우리는 지식 그래프를 추천 시스템에 통합할 때 그 불완전성을 고려하는 것이 중요하다고 주장한다.본 논문에서는 추천 모델과 지식 그래프 완성 모델을 공동으로 학습한다. 이는 기존의 KG 기반 추천 방법들과 달리, 사용자가 아이템을 선호하는 이유를 이해하기 위해 KG의 관계 정보를 전송한다는 점에서 특징적이다. 예를 들어, 사용자가 동일한 감독(relation)이 연출한 여러 영화(entity)를 본 경우, 해당 사용자의 결정 과정에서 감독 관계가 중요한 역할을 한다는 것을 유추할 수 있다. 이를 통해 사용자의 선호도를 더 세밀하게 이해할 수 있게 된다.기술적으로, 우리는 사용자를 아이템으로 변환하는 과정에서 다양한 선호도를 고려하도록 설계된 새로운 번역 기반 추천 모델을 제안한다. 그리고 이 모델을 여러 전송 방식들을 결합하여 지식 그래프 완성 모델과 공동으로 학습시킨다. 두 벤치마크 데이터셋에 대한 광범위한 실험 결과, 우리의 방법이 최신의 KG 기반 추천 방법들보다 우수함을 보여주었다. 추가 분석은 공동 학습이 추천과 지식 그래프 완성 작업 모두에 긍정적인 영향을 미치며, 우리 모델이 사용자 선호도 이해 면에서 우위를 가지고 있음을 확인해주었다. 본 프로젝트는 https://github.com/TaoMiner/joint-kg-recommender 에 공개되었다.