자기지도 그래프 학습을 통한 추천

사용자-아이템 그래프에 대한 표현 학습은 단순한 ID나 상호작용 이력 사용에서 고차원 이웃을 활용하는 방향으로 발전해 왔으며, 이는 PinSage 및 LightGCN와 같은 그래프 컨볼루션 네트워크(GCNs)의 성공으로 이어졌다. 그러나 이러한 기법들은 두 가지 한계를 지닌다고 주장할 수 있다. 첫째, 고도(degree) 노드가 표현 학습에 더 큰 영향을 미치며, 이는 저도(저도 항목, long-tail items)의 추천 성능을 저하시킨다. 둘째, 이웃 집계 방식이 관측된 간선의 영향을 더욱 확대하므로, 노이즈가 있는 상호작용에 대해 표현이 취약하다.본 연구에서는 사용자-아이템 그래프에 대해 자기지도 학습(self-supervised learning)을 탐색함으로써 GCN의 정확성과 견고성을 향상시키고자 한다. 이 아이디어는 추천의 전통적인 지도 학습 과제에 보조적인 자기지도 학습 과제를 보완하여, 노드 표현 학습을 자기 구분(self-discrimination)을 통해 강화하는 것이다. 구체적으로, 한 노드에 대해 여러 가지 시각(view)을 생성하고, 동일한 노드의 다양한 시각 간의 일치도를 다른 노드의 시각 간 일치도보다 최대화하도록 한다. 이를 위해 노드 드롭아웃, 엣지 드롭아웃, 무작위 워크(random walk) 세 가지 연산자를 제안하여 그래프 구조를 서로 다른 방식으로 변형한다. 이러한 새로운 학습 패러다임을 \textit{자기지도 그래프 학습}(Self-supervised Graph Learning, SGL)이라 명명하며, 최신 기술인 LightGCN에 이를 구현하였다. 이론적 분석을 통해 SGL이 자동으로 어려운 음성 샘플(hard negatives)을 탐지할 수 있음을 발견하였다. 세 가지 벤치마크 데이터셋에서의 실증 연구를 통해 SGL의 효과성을 입증하였으며, 특히 저도 항목에 대한 추천 정확도 향상과 상호작용 노이즈에 대한 견고성 향상이 확인되었다. 본 연구의 구현 코드는 \url{https://github.com/wujcan/SGL}에서 공개되어 있다.