Fi-GNN: CTR 예측을 위한 그래프 신경망을 통한 특성 상호작용 모델링

클릭률(Click-through rate, CTR) 예측은 온라인 광고 및 추천 시스템과 같은 웹 응용 분야에서 필수적인 과제이며, 해당 과제의 특징은 일반적으로 다중 필드(multi-field) 형태를 띤다. 이 과제의 핵심은 서로 다른 특징 필드 간의 특징 상호작용을 모델링하는 데 있다. 최근 제안된 딥러닝 기반 모델들은 일반적인 패러다임을 따르는데, 원시적인 희소한 다중 필드 특징을 먼저 밀도 높은 필드 임베딩 벡터로 매핑한 후, 단순히 이들을 연결(concatenate)하여 딥 신경망(DNN) 또는 기타 특별히 설계된 네트워크에 입력하여 고차원 특징 상호작용을 학습한다. 그러나 특징 필드들을 단순하게 \emph{비구조적 조합}하는 방식은 서로 다른 필드 간의 복잡한 상호작용을 충분히 유연하고 명시적인 방식으로 모델링하는 데 필연적으로 한계를 가진다.본 연구에서는 다중 필드 특징을 직관적으로 그래프 구조로 표현하는 방법을 제안한다. 여기서 각 노드는 하나의 특징 필드를 나타내며, 서로 다른 필드는 간선을 통해 상호작용할 수 있다. 따라서 특징 상호작용을 모델링하는 문제는 해당 그래프 상의 노드 간 상호작용을 모델링하는 문제로 변환할 수 있다. 이를 위해 우리는 새로운 모델인 특징 상호작용 그래프 신경망(Feature Interaction Graph Neural Networks, Fi-GNN)을 설계하였다. 그래프의 강력한 표현 능력을 활용함으로써, 제안된 모델은 유연하고 명시적인 방식으로 복잡한 특징 상호작용을 모델링할 뿐만 아니라 CTR 예측에 있어 우수한 모델 해석 가능성도 제공한다. 두 개의 실제 데이터셋에서 수행된 실험 결과는 기존 최고 수준의 모델들에 비해 본 모델의 우수성을 입증하였다.