KGAT: 지식 그래프 주의 네트워크를 이용한 추천

더 정확하고 다양하며 설명 가능한 추천을 제공하기 위해서는 사용자-항목 상호작용 모델링을 넘어 부가 정보를 고려해야 합니다. 전통적인 방법인 인수 분해 머신(FM)은 이를 지도 학습 문제로 설정하여 각 상호작용을 부가 정보가 인코딩된 독립적인 사례로 가정합니다. 그러나 사례나 항목 간의 관계(예: 영화의 감독이 다른 영화의 배우인 경우)를 무시하기 때문에 이러한 방법들은 사용자의 집합적 행동에서 협업 신호를 추출하는 데 충분하지 않습니다. 본 연구에서는 항목과 속성을 연결함으로써 독립적인 상호작용 가정을 깨뜨리는 지식 그래프(KG)의 활용성을 조사합니다. 우리는 이러한 KG와 사용자-항목 그래프의 하이브리드 구조에서 두 항목을 하나 또는 여러 개의 연결된 속성으로 연결하는 고차 관계가 성공적인 추천에 있어 필수 요소라고 주장합니다. 이에 따라, 고차 연결성을 엔드 투 엔드 방식으로 명시적으로 모델링하는 새로운 방법인 지식 그래프 어텐션 네트워크(KGAT)를 제안합니다. 이 방법은 노드의 이웃(사용자, 항목, 또는 속성이 될 수 있음)에서 임베딩을 재귀적으로 전파하여 노드의 임베딩을 세밀하게 조정하며, 어텐션 메커니즘을 사용하여 이웃들의 중요성을 차별화합니다. 우리의 KGAT는 경로 추출이나 규제를 통해 고차 관계를 명시적 또는 암묵적으로 모델링하는 기존의 KG 기반 추천 방법들보다 개념적으로 우월합니다. 세 가지 공개 벤치마크에서 수행한 실증 결과는 KGAT가 Neural FM 및 RippleNet과 같은 최신 방법들을 크게 능가한다는 것을 보여줍니다. 추가 연구에서는 고차 관계 모델링에 대한 임베딩 전파의 효과성과 어텐션 메커니즘이 가져오는 해석 가능성 향상 효과를 검증하였습니다.