초록
협업 필터링 기반 추천 시스템의 희소성 및 차가운 시작 문제를 완화하기 위해 연구자와 엔지니어들은 일반적으로 사용자와 항목의 속성을 수집하고, 이러한 추가 정보를 활용하기 위한 섬세한 알고리즘을 설계합니다. 일반적으로 이러한 속성은 고립되어 있지 않고 서로 연결되어 있어 지식 그래프(Knowledge Graph, KG)를 형성합니다. 본 논문에서는 항목 간 관련성을 효과적으로 포착하기 위해 KG에서 연관된 속성을 채굴하는 엔드-투-엔드 프레임워크인 지식 그래프 컨볼루셔널 네트워크(Knowledge Graph Convolutional Networks, KGCN)를 제안합니다. 고차 구조 정보와 의미론적 정보를 자동으로 발견하기 위해, 우리는 각 KG 엔티티의 이웃에서 수용 영역(receptive field)으로 샘플링한 후, 주어진 엔티티의 표현을 계산할 때 이웃 정보와 편향(bias)을 결합합니다. 수용 영역은 여러 단계까지 확장될 수 있어 고차 근접성 정보를 모델링하고 사용자의 잠재적인 장거리 관심사를 포착할 수 있습니다. 또한, 제안된 KGCN을 미니배치(minibatch) 방식으로 구현하여 대규모 데이터셋과 KG에 대한 처리가 가능하도록 하였습니다. 우리는 제안된 모델을 영화, 책, 음악 추천에 관한 세 가지 데이터셋에 적용하였으며, 실험 결과는 우리의 접근법이 강력한 추천 베이스라인보다 우수함을 입증하였습니다.