Socio Based Recommender Systems

 

사회학에서는 Homophily라는 현상이 있는데, 사람들은 서로 유사한 성향이나 취향을 지닌 사람들끼리 모인다 이야기다. 

 

이 개념은 논문 Birds of a Feather: Homophily in Social Networks에서 제시되었다. (링크)

 

추천 시스템에서는 2가지 측면에서 이를 추천 성능의 향상에 이용할 수 있다. 

 

첫 번째는 아이템 추천으로 유사한 유저들의 정보를 이용해서 대상 유저에게 아이템을 추천한다.

두 번째는 SNS처럼 사람들 간의 관계 추천에서 유사한 유저들을 추천한다. 

 

 

여기서는 간단하게 아래의 모델들을 살펴본다.

 

• SoRec
• LOCABAL
• GraphRec

 

 

Social Recommender Systems

 

SoRec

SoRec의 논문 이름은 SoRec: Social Recommendation Using Probabilistic Matrix Factorization다. (링크)

 

 

 

 

 

2008년 CIKM에 나온 오래된 논문 답게 아이디어는 간단하다.

 

Matrix Factorization의 측면에서 User-Item interaction을 user vector와 item vector로 예측하고,

 

Social Graph를 user vector와 factor vector로 예측한다.

 

LOCABAL

논문 제목은 Exploiting local and global social context for recommendation다. (링크)

 

Local social context와 Global social context를 모두 사용하는 방법론을 제시한 논문이다.

 

Local의 경우 다음와 같이 정의한다.

 

 

이때 $\text{R}_{ij}$는 User-Item rating matrix의 $i$ 번째 행의 $j$ 번째 열의 요소다.

 

 

행렬 $\text{H}$는 user preference correlation을 포착하기 위한 행렬이다. User embedding matrix와 $\text{H}$를 통해서 local social context를 학습한다. 이때 $\odot$은 Hadamard product다. 

 

Global은 아래와 같이 정의한다.

 

 

이때, $r_i$는 $u_i$에 대한 reputation인데, $u_i$가 전체 소셜 네트워크에서 가장 높은 reputation을 가지고 있으면 1이고 그 다음부터 순서대로 2, 3, ..., $n$의 값을 갖는다. 이를 함수 $f$를 통해서 만든 값이 reputation score $w_i$다.

 

 

 위에서 구한 Reputation scores를 가중치로 하여 user embedding matrix와 item embedding matrix로 User-Item rating matrix를 예측하게 된다. 

 

GrapRec

논문 이름은 Graph Neural Networks for Social Recommendation다. (링크)

 

 

전반적인 아이디어는 PinSAGE와 비슷하지만 Item Aggregation, Social Aggregation, User Aggregation이 특징이다.

 

User를 기준으로 관련된 아이템의 정보를 모으는 Item Aggregation, 관련된 유저들의 정보를 모으는 Social Aggregation, 

 

Item을 기준으로 관련된 유저의 정보를 모으는 User Aggregation을 수행한다.

 

여기서는 각각의 임베딩 벡터를 mean 한다. 

 

그 다음 Self-Attention의 측면에서 MLP 들을 적용해서 각각의 피쳐들을 학습한다. 

 

최종적으로 user latent factor와 item latent factor를 concat해서 MLP을 거친 다음 최종적으로 rating prediction을 수행한다.