다중 측면 사회적 효과의 깊은 잠재 표현을 위한 듀얼 그래프 어텐션 네트워크

사회적 추천은 전통적인 협업 필터링 방법에서 데이터 희소성과 콜드 스타트 문제를 해결하기 위해 사회적 정보를 활용합니다. 그러나 대부분의 기존 모델은 친구 사용자로부터의 사회적 영향이 정적인 것으로 가정하고, 일정한 가중치나 고정된 제약 조건으로 표현됩니다. 이러한 강한 가정을 완화하기 위해, 본 논문에서는 두 가지 사회적 효과의 표현을 공동으로 학습하기 위한 듀얼 그래프 어텐션 네트워크를 제안합니다. 하나는 사용자별 주의 가중치로 모델링되고, 다른 하나는 동적이고 맥락 인식 주의 가중치로 모델링됩니다. 또한, 사용자 영역에서의 사회적 효과를 항목 영역으로 확장하여 관련 항목에서의 정보를 활용하여 데이터 희소성 문제를 더욱 완화할 수 있도록 합니다. 더불어, 두 영역에서의 서로 다른 사회적 효과가 상호작용하며 사용자의 항목 선호도에 공동으로 영향을 미칠 수 있다는 점을 고려하여, 맥락 기반 다중 팔バン딧(contextual multi-armed bandit)을 이용한 새로운 정책 기반 융합 전략을 제안합니다. 이 전략은 다양한 사회적 효과 간의 상호작용을 가중하는 데 사용됩니다. 벤치마크 데이터셋과 상업용 데이터셋에서 수행된 실험은 우리 모델의 핵심 구성 요소들의 효능을 검증합니다. 결과는 우리 모델이 다른 최신 사회적 추천 방법들과 비교하여 추천 정확도에 큰 개선을 가져왔음을 보여줍니다.注: "バンヂット" (bandit) 是日语，正确的韩语翻译应该是 "다암 밴딧" (multi-armed bandit)。因此，修正后的句子如下：또한, 두 영역에서의 서로 다른 사회적 효과가 상호작용하며 사용자의 항목 선호도에 공동으로 영향을 미칠 수 있다는 점을 고려하여, 맥락 기반 다암 밴딧(contextual multi-armed bandit)을 이용한 새로운 정책 기반 융합 전략을 제안합니다. 이 전략은 다양한 사회적 효과 간의 상호작용을 가중하는 데 사용됩니다.