Ekar: 지식 인식 추천을 위한 설명 가능한 방법

본 논문은 지식 그래프를 활용한 추천 시스템을 연구하여 데이터 희소성과 콜드 스타트 문제를 효과적으로 해결할 수 있는 방법을 제시합니다. 최근에는 이 문제를 해결하기 위한 다양한 방법이 개발되었으며, 일반적으로 이러한 방법들은 사용자와 아이템의 효과적인 표현을 학습한 후 해당 표현에 따라 아이템을 사용자에게 매칭하는 것을 목표로 합니다. 이러한 방법들이 상당히 효과적임이 입증되었지만, 추천 시스템에서 중요한 설명력이 부족하다는 문제가 있습니다. 본 논문에서는 다른 접근 방식을 취하여, 사용자에서 아이템으로 이어지는 의미 있는 경로를 찾아 추천을 생성하는 방법을 제안합니다. 구체적으로, 이 문제를 순차적 의사결정 과정으로 정식화하여 대상 사용자를 초기 상태로 정의하고, 그래프의 엣지를 행동으로 정의하였습니다. 우리는 기존 최신 방법들을 바탕으로 보상을 설계하고, 정책 그라디언트 방법을 이용하여 정책 함수를 학습하였습니다. 세 가지 실제 데이터셋에 대한 실험 결과는 제안된 방법이 효과적인 추천뿐만 아니라 좋은 설명도 제공함을 보여주었습니다.