Core Concepts
본 연구는 사용자와 아이템의 불확실성을 효과적으로 모델링하고 전파하기 위해 Wasserstein 거리 기반 그래프 주의 네트워크(W-GAT)를 제안한다. 또한 Wasserstein 의존 상호 정보를 활용하여 사용자와 관련 아이템 간의 유사성을 높이고 KL 발산의 한계를 극복한다.
Abstract
본 연구는 협업 필터링에서 사용자와 아이템의 불확실성을 효과적으로 모델링하고 전파하기 위한 W-GAT 모델을 제안한다.
그래프 주의 네트워크와 Wasserstein 거리를 활용하여 사용자와 아이템을 가우시안 분포로 표현하고, 이를 통해 불확실성을 효과적으로 캡처한다.
Wasserstein 의존 상호 정보를 도입하여 사용자와 관련 아이템 간의 유사성을 높이고, KL 발산의 한계를 극복한다.
3개의 벤치마크 데이터셋에 대한 실험 결과, W-GAT가 다른 경쟁 모델들에 비해 우수한 성능을 보인다.
사용자와 아이템의 불확실성을 효과적으로 모델링할 수 있음을 검증한다.
LightGCN과 KL 발산 기반 모델의 한계를 분석하고, W-GAT의 각 구성 요소가 미치는 영향을 확인한다.
Stats
사용자와 아이템의 상호작용 정보를 나타내는 그래프에서 사용자와 아이템 간의 Wasserstein 거리가 작을수록 상호 정보가 크다.
사용자와 아이템의 가우시안 분포 표현에서 분산이 클수록 불확실성이 크다.
Quotes
"Wasserstein 거리는 KL 발산에 비해 대칭성, 삼각부등식 만족 등의 장점이 있어 협업 필터링에 더 적합하다."
"KL 발산 기반 상호 정보 추정은 지수적인 수의 샘플이 필요하고, 분포 간 차이가 작을 때 발산이 크게 나타나는 문제가 있다."