메타패스 및 엔티티 인지 그래프 신경망을 활용한 추천

그래프 신경망(GNN)에서 메시지 전달은 노드의 직접 이웃들로부터 정보를 반복적으로 집계하지만, 다중 훑기(multi-hop) 노드 연결의 순차적 성질을 무시한다. 이러한 순차적 노드 연결, 예를 들어 메타경로(metapaths),는 하류 작업에 대한 핵심적인 통찰을 포착한다. 구체적으로 추천 시스템(RS)에서는 이러한 통찰을 간과함으로써 협업 신호의 충분한 정제가 이루어지지 않는다. 본 논문에서는 협업 서브그래프(CSGs)와 메타경로를 활용하여 메타경로 인지 서브그래프를 구성함으로써, 그래프 구조 내의 순차적 의미를 명시적으로 포착한다. 우리는 메타경로와 엔티티 인지(Graph Neural Network, PEAGNN)를 제안하며, 이는 다층 GNN을 사용하여 이러한 서브그래프에서 메타경로 인지 정보 집계를 수행하도록 훈련한다. 다양한 메타경로로부터 집계된 정보는 주의 메커니즘(attention mechanism)을 통해 융합된다. 마지막으로, PEAGNN는 노드 및 서브그래프에 대한 표현을 제공하며, 이는 목표 사용자-아이템 쌍에 대한 점수 예측을 위해 MLP를 훈련하는 데 활용될 수 있다. CSG의 국소 구조를 효과적으로 활용하기 위해, 노드 임베딩에 대비 정규화(constrastive regularizer) 역할을 하는 엔티티 인지(entity-awareness)를 제안한다. 또한 PEAGNN는 GAT, GCN, GraphSage와 같은 주목할 만한 레이어들과 결합 가능하다. 실증적 평가 결과, 제안하는 기법이 여러 추천 작업 데이터셋에서 경쟁 기법들을 상회함을 확인하였다. 추가 분석을 통해 PEAGNN가 주어진 메타경로 집합으로부터 의미 있는 메타경로 조합을 학습함을 확인할 수 있었다.