HGCL: Hierarchical Graph Contrastive Learning for User-Item Recommendation
Created by
Haebom
저자
Jiawei Xue, Zhen Yang, Haitao Lin, Ziji Zhang, Luzhu Wang, Yikun Gu, Yao Xu, Xin Li
개요
본 논문은 계층적 아이템 구조를 활용한 새로운 그래프 대비 학습 방법인 HGCL(Hierarchical Graph Contrastive Learning)을 제안합니다. 기존 그래프 대비 학습(GCL) 기반 추천 시스템은 아이템 간의 다양한 해상도의 유사성을 나타내는 계층적 아이템 구조를 명시적으로 모델링하지 못하는 한계를 가지고 있습니다. HGCL은 계층적 아이템 구조를 활용하여 사용자와 아이템 표현을 학습합니다. 먼저, 계층 간 대비 학습을 통해 GCL 모듈을 사전 학습하고, 표현 압축 및 클러스터링을 통해 2계층 사용자-아이템 이분 그래프를 구성합니다. 마지막으로, 계층적 그래프에서 사용자 및 아이템 표현을 미세 조정하여 추천을 제공합니다. 7만에서 38만 노드 규모의 세 개의 벤치마크 데이터셋 실험 결과, HGCL이 기존 모델보다 우수한 성능을 보임을 확인하여 계층적 아이템 구조가 추천 성능 향상에 기여함을 보여줍니다.
시사점, 한계점
•
시사점:
◦
계층적 아이템 구조를 활용하여 GCL 기반 추천 시스템의 성능을 향상시킬 수 있음을 보여줍니다.
◦
HGCL은 다양한 해상도의 아이템 유사성을 고려하여 더욱 정확한 추천을 제공할 수 있습니다.
◦
제시된 방법은 다양한 아이템 유형(온라인 상품, 지역 업체 등)에 적용 가능합니다.
•
한계점:
◦
제안된 방법의 계층 구조 설계는 특정 데이터셋에 최적화되어 있을 수 있으며, 다른 데이터셋에 대한 일반화 성능은 추가적인 연구가 필요합니다.
◦
계층 구조 생성에 사용된 표현 압축 및 클러스터링 방법의 최적화에 대한 추가적인 연구가 필요할 수 있습니다.
