UltraGCN: 추천을 위한 그래프 컨볼루션 네트워크의 초초간소화

최근 그래프 컨볼루션 네트워크(GCN)의 성공적인 적용으로 인해, 추천 시스템 분야에서 광범위하게 활용되며 놀라운 성능 향상을 달성하고 있다. GCN의 핵심은 이웃 정보를 집계하기 위한 메시지 전달(message passing) 메커니즘에 있다. 그러나 본 연구에서는 메시지 전달 과정이 특히 대규모 추천 시스템에서 학습 시 수렴 속도를 크게 저해한다는 점을 관찰하였으며, 이는 GCN의 보편적 도입을 방해하는 주요 장애물로 작용한다. LightGCN은 협업 필터링을 위한 GCN의 단순화를 시도하며, 특징 변환과 비선형 활성화 함수를 제거하였다. 본 논문에서는 이를 한 단계 더 발전시켜, 효율적인 추천을 위해 무한층의 메시지 전달을 생략하는 초단순화된 GCN 공식(이를 UltraGCN이라 명명)을 제안한다. UltraGCN은 명시적인 메시지 전달을 대신하여 제약 손실(constraint loss)을 통해 무한층 그래프 컨볼루션의 극한(limit)을 직접 근사한다. 동시에 UltraGCN은 보다 적절한 엣지 가중치 할당과 다양한 유형의 관계들 간 상대적 중요도에 대한 유연한 조정을 가능하게 한다. 이러한 특성들은 간단하면서도 효과적인 UltraGCN 모델을 도출하며, 구현이 용이하고 학습 효율성이 높다. 네 개의 벤치마크 데이터셋에서의 실험 결과, UltraGCN은 최신 기술(SOTA) 수준의 GCN 모델들을 모두 초월하며, LightGCN 대비 10배 이상의 속도 향상을 달성하였다. 본 연구의 소스 코드는 https://reczoo.github.io/UltraGCN 에 공개될 예정이다.