Recommendation Systems based on Feature-Adaptive Graph Attention Network

정보통신기술의 발전으로 다양한 온라인 콘텐츠가 폭발적으로 증가하면서, 사용자들은 정보 과잉 문제를 겪고 있다. 이로 인해 추천 시스템 연구의 필요성이 커지고 있다. 본 연구는 사용자-콘텐츠 상호작용을 그래프 형태로 모델링하여 도메인별로 상이한 구조적 특성과 노이즈를 효과적으로 반영하는 그래프 학습방법을 제안한다. 데이터 적응적인 그래프 학습을 달성하기 위해 각각의 연산을 서로 다르게 적용하는 개선된 그래프 어텐션 네트워크(GAT) 모델을 기반으로 RatingConv, PopConv와 같은 헤드를 설계하여 데이터의 특징을 반영하는 학습 방법을 소개한다. 제시된 방법론은 추천 시스템 벤치마크인 Movielens-1M, Movielens-25M, FilmTrust 데이터셋 실험에서 기존 베이스라인 모델과 비교해 NDCG@20 지표에서 약 10%의 성능 개선을 달성하였다.