MGDCF: 신경 협업 필터링을 위한 마르코프 그래프 확산을 통한 거리 학습

최근 그래프 신경망(GNN)은 사용자-아이템 상호작용 기록을 기반으로 사용자의 선호도를 예측하기 위해 협업 필터링(CF) 모델 구축에 활용되고 있다. 그러나 GNN 기반 CF 모델이 전통적인 네트워크 표현 학습(NRL) 접근법과 어떻게 관련되어 있는지에 대한 이해는 여전히 제한적이다. 본 논문에서는 최신의 GNN 기반 CF 모델들과 전통적인 1층 NRL 모델(컨텍스트 인코딩 기반) 사이의 동등성을 입증한다. 두 가지 유형의 거리 간 균형을 고려하는 마르코프 과정을 기반으로, 최신의 GNN 기반 CF 모델들을 일반화하는 마르코프 그래프 확산 협업 필터링(MGDCF)을 제안한다. GNN을 학습 가능한 블랙박스로서 사용자/아이템 정점 임베딩을 전파하는 도구로 보는 대신, GNN을 학습되지 않은 마르코프 과정으로 간주하여 전통적인 NRL 모델이 완전 연결층을 통해 컨텍스트 특징을 인코딩할 수 있도록 정점의 일정한 컨텍스트 특징을 구성한다. 이러한 단순화는 GNN이 CF 모델에 어떻게 기여하는지 더 깊이 이해하는 데 도움을 준다. 특히, 순위 손실(ranking loss)이 GNN 기반 CF 작업에서 핵심적인 역할을 한다는 점을 인식하게 해준다. 본 연구에서 제안한 간단하면서도 강력한 순위 손실인 InfoBPR을 활용하면, GNN이 생성한 컨텍스트 특징 없이도 NRL 모델이 여전히 우수한 성능을 발휘할 수 있다. MGDCF에 대한 상세한 분석을 수행하기 위해 실험을 진행하였다.