도메인 특성을 고려한 사용자 임베딩과 그래프 어텐션 네트워크를 이용한 교차 도메인 추천 모델

Abstract

추천 시스템은 오늘날 우리의 생활에 많은 부분을 차지한다. 추천 시스템 중 교차 도메인 추천은 연관된 도메인으로부터 정보를 전달받아 희소한 데이터에 대해 성능이 떨어지는 단일 도메인 추천 모델의 문제를 경감시킨다. 교차 도메인 추천 모델 중 전이학습을 도입한 모델은 두 도메인에서 같은 사용자 임베딩 행렬을 사용하여 사용자의 특성이 도메인에 따라 달라질 수 있다는 점을 고려하지 않았다. 본 논문에서는 첫 번째 모델로 이 특성을 고려하여 추천 성능을 향상시킨 모델을 제안하였다. 또 다른 교차 도메인 추천은 사용자와 상품으로 그래프를 만들고, 그래프 합성곱 신경망(graph convolution networks)을 사용하여 사용자와 상품간의 복잡한 관계까지 고려하여 성능을 높인 모델이 제안되었다. 그러나 이 모델은 모든 상품과 사용자 간의 중요도를 동일하게 보아 추천의 정확도가 떨어질 수 있는 문제가 있다. 따라서 본 논문에서는 두 번째 모델로 상품과 사용자 간의 중요도를 고려하기 위해 어텐션 메커니즘(attention mechanism)을 적용한 모델을 제안하였다. 또한, 실생활 데이터를 이용해 모델의 추천 정확도 향상을 확인하였다.

The recommendation system is a big part of our lives today. Among the recommendation systems, cross-domain recommendation mitigates the problem of a single domain recommendation model that has poor performance for sparse data by receiving information from associated domains. One of the cross-domain model using transfer learning does not take into account that the characteristics of users may vary depending on the domain by using the same user embedding matrix in both domains. Thus, we proposed the first model improves the recommendation performance by considering users domain specific characteristic. Another cross-domain recommendation uses a graph that consists of users and products, and improves performance by considering complex relationships between users and products using graph convolution networks. This model has a problem that importance between all products and users is the same. Therefore, in this paper, a second model was proposed to apply the attention mechanism to consider the importance between the product and the user. In addition, it was confirmed that the recommendation accuracy of the model was improved by conducting experiments with real-life data.