적대적 그래프 드롭아웃을 통한 그래프 기반 협업 필터링의 일반적인 디바이싱

그래프 신경망(GNNs)은 추천 시스템, 특히 협업 필터링(CF)에서 인상적인 성능을 보여주었습니다. 핵심은 사용자-항목 상호작용 그래프에서 이웃 정보를 집계하여 사용자/항목 표현을 향상시키는 데 있습니다. 그러나 우리는 이 집계 메커니즘이 상호작용 그래프에 존재하는 편향을 증폭시키는 단점을 가지고 있음을 발견했습니다. 예를 들어, 사용자의 항목과의 상호작용은 편향 없는 진정한 관심과 항목의 인기 또는 노출과 같은 다양한 편향 요인에 의해 영향을 받을 수 있습니다. 그러나 현재의 집계 접근 방식은 편향된 정보와 편향되지 않은 정보를 모두 결합하여 편향된 표현 학습으로 이어집니다. 결과적으로, 그래프 기반 추천자는 사용자/항목의 왜곡된 관점을 학습하여 그들의 진정한 선호와 일반화 모델링을 방해할 수 있습니다. 이 문제를 해결하기 위해 우리는 적대적 그래프 드롭아웃(AdvDrop)이라는 새로운 프레임워크를 도입합니다. 이 프레임워크는 편향 없는 상호작용과 편향 있는 상호작용을 구분하여 편향 없는 표현 학습을 가능하게 합니다. 각 사용자/항목에 대해 AdvDrop은 적대적 학습을 사용하여 이웃을 편향 완화된 상호작용과 편향 인지 상호작용의 두 가지 관점으로 나눕니다. 관점별 집계 후, AdvDrop은 편향 완화된 표현과 편향 인지 표현이 불변으로 유지되도록 보장하여 편향의 영향을 방지합니다. 우리는 일반 및 특정 편향을 포함하는 다섯 개의 공개 데이터 세트에서 AdvDrop의 효율성을 검증하여 상당한 개선을 보여주었습니다. 또한, 우리의 방법은 하위 그래프의 의미 있는 분리를 보이고, 심층 분석을 통해 그래프 기반 CF 모델에 대한 편향 없는 표현을 달성합니다. 우리의 코드는 https://github.com/Arthurma71/AdvDrop에서 공개적으로 이용 가능합니다.