정보통신기술의 발달로 많은 양의 콘텐츠가 생성된다. 유저는 수많은 콘텐츠 속에서 자신에게 필요한 콘텐츠를 선별하는 작업이 수반된다. 이러한 문제를 해결하기 위해 추천 시스템이 활발하게 연구되고 있다. 본 논문에서는 유저-아이템 정보를 활용하여 이종 그래프를 구성한다. 기존 이종 그래프 기반 추천 시스템은 동종 노드(사용자-사용자, 아이템-아이템) 간의 관계 정보가 누락되어 추천 성능이 저하되는 한계가 있다. 본 논문에서는 이러한 문제를 해결하기 위해 그래프 신경망(GNN) 기반 추천 시스템과 그래프 데이터 증강을 활용한 프레임워크를 제안한다. 최신 오픈소스 딥러닝 모델을 활용하여 그래프 속성 증강을 수행한다. 개인화된 추천을 위해 5가지의 유사도 값을 정의하고 해당 유사도 값을 이용하여 동종 노드 간 누락된 엣지 증강을 수행한다. LSH(Locality-Sensitive Hashing) 알고리즘을 도입하여 대규모 그래프에서의 유사도 계산을 최적화하였다. 실험 결과 기존 GCN 방식 대비 약 20%의 성능 향상을 보였으며를 통해 동종 노드 간 관계 정보의 중요성을 입증하였다.

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