Paper: KDD site
PR113 Facebook group: https://www.facebook.com/groups/565858127904979
1. (지난번에 올린)BGNN with node coping을 이용해서 node classification을 하는 논문이 있었는데, 추천에 적용시켜보자!
- Graph-based 추천 모델에서 uncertainty issue를 무시하는 경향이 있었음
- User interaction의 complete picture를 represent하지 못함
- Temporary whim에 의해 생긴 interaction 등으로 인해 misleading positive interaction이 생길 수 있음
- 이 참에(?) diversity 문제도 해결해보자!
2. Node copy하는 건 backbone 논문과 같음. 다만 추천이라는 domain에 맞게 몇 가지 손을 봐야 함
- Predicted label 기반으로 similarity를 정의했었는데,
- Jaccard coefficient를 통해 user간 edge replace 확률을 재정의
- Sampled graph마다 model이 존재했는데(trainable weight가 graph별로 존재),
- 추천에서는 이러면 overfitting 가능성 있음(parameter 증가)
- Common model을 만들고 input으로 sampled graph를 집어넣는...? 형식으로 학습
- 매 epoch마다 sampled graph에서 하나 뽑아 observed(given) graph와 함께 학습
- Sampled graph에서는 attention based mean aggregator 사용(GAT보다 간소화)
- Observed graph에서는 단순 mean aggregator 사용
- 각 graph에서 user/item별 final embedding 가져와서 concatenate, BPR-loss로 학습
3. 논문이 화웨이 Noah's Ark lab에서 나왔는데, PinSAGE, NGCF 등과 비교해서 자사 데이터셋으로 돌려봤더니 warm/cold user 모두 성능이 더 좋더라
- Re-ranking을 사용했는데 popularity 기반
- 그럼 정말 Bayesian GNN만 사용해서 diversity가 올라간건가?
- Diversity가 ILD, a-NDCG 등이 아닌 novelty 및 serendipity 사용
- Category 정보는 안 들어가는 metric 같은데 흠.... 뭐 diversity는 본인 정의하기 나름인 부분이 있긴 함
