검토 기반 추천 시스템(Review-Based Recommendation System, RBRS)의 목표는 사용자-아이템 상호작용뿐만 아니라 리뷰 텍스트를 활용하여 사용자와 아이템의 표현을 효과적으로 학습하는 것이다. 추천 시스템에서 널리 사용되는 사용자-아이템 상호작용 그래프를 기반으로, 최근의 그래프 신경망(Graph Neural Networks, GNN) 활용 RBRS 방법들은 사용자와 아이템 사이의 각 간선을 해당 아이템에 대한 사용자의 리뷰 정보와 연관시켜 표현을 획득한다. 그러나 이러한 GNN 기반 RBRS 방법에는 두 가지 주요 문제가 있다. (1) 각 리뷰 텍스트를 가중치, 즉 간선의 단일 값으로 변환함으로써 리뷰에 내재된 사용자와 아이템에 대한 풍부한 정보를 상실한다는 점과, (2) 각 사용자에 대해 단 하나의 일반 표현만을 생성함으로써 사용자가 상호작용한 아이템에 대한 평점에서 좋아함과 싫어함이 미치는 개별적 효과를 표현할 수 없다는 점이다. 이러한 문제를 해결하기 위해, 본 연구에서는 사용자-사용자 그래프와 아이템-아이템 그래프를 포함하는 동질 그래프(homogeneous graphs)를 활용하여 일반적인 사용자 및 아이템 표현과 더불어 사용자의 좋아함 및 싫어함 표현을 학습하는 새로운 GNN 기반 RBRS인 LETTER를 제안한다. LETTER는 제안된 동질 그래프를 활용함으로써 리뷰 정보를 손실하지 않고 사용자와 아이템 표현을 학습할 수 있다. 또한 LETTER는 좋아함과 싫어함 표현이 사용자의 평점에 미치는 영향을 명시적으로 설계하여 정확한 평점 예측을 수행한다. 여섯 개의 데이터셋에 대한 실험을 통해, 제안된 LETTER가 최대 23.1%까지 아홉 개의 최신 RBRS보다 우수함을 검증하였다. 본 연구의 소스 코드는 https://github.com/Bigdasgit/LETTER 에서 제공된다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.