그래프 컨볼루션의 추천 성능은 얼마나 강력한가?

최근 그래프 컨볼루션 네트워크(GCN)는 협업 필터링(CF)을 위한 인기 있는 알고리즘 계열을 가능하게 하였다. 그러나 이러한 알고리즘들의 실험적 성공의 이론적 기반은 여전히 명확하지 않다. 본 논문에서는 그래프 신호 처리(Graph Signal Processing)의 관점에서 GCN 기반 CF 방법의 작동 원리를 더 깊이 이해하고자 한다. 그래프 신호 처리에서 핵심 개념인 ‘부드러움(Smoothness)’의 중요한 역할을 규명함으로써, CF를 위한 통합적인 그래프 컨볼루션 기반 프레임워크를 제안한다. 본 연구에서는 기존의 다양한 CF 방법들이 이 프레임워크의 특수한 경우임을 증명한다. 이들에는 이웃 기반 방법, 낮은 랭크 행렬 분해, 선형 오토인코더, 그리고 LightGCN 등이 포함되며, 각각 서로 다른 저역통과 필터(Low-pass Filter)에 해당한다. 제안된 프레임워크를 바탕으로, 간단하고 계산 효율성이 뛰어난 CF 기준선을 제시한다. 이를 그래프 필터 기반 협업 필터링(GF-CF)이라 명명한다. 은닉 피드백 행렬을 입력으로 받을 때, GF-CF는 역전파를 통한 비용이 큰 학습 과정 없이 닫힌 형태(Closed-form)로 구할 수 있다. 실험 결과, GF-CF는 세 가지 유명한 데이터셋에서 딥러닝 기반 방법들과 경쟁력 있는 또는 더 뛰어난 성능을 보였으며, 특히 Amazon-Book 데이터셋에서 LightGCN 대비 약 70%의 성능 향상을 기록하였다.