LightGCN Preview

LightGCN은 Collaborative Filtering (CF)에서의 User-Item Interaction Matrix(사용자-아이템 상호작용 매트릭스)를 활용한 추천 시스템에서 사용되는 모델 중 하나이다.

LightGCN은 그래프 신경망 모델 중 가장 간단하면서도 성능이 우수한 모델 중 하나이다. 모델 구조는 사용자와 아이템 간의 상호작용을 표현하는 유저-아이템 행렬을 이용하여 그래프를 만든다. 이때 그래프의 각 노드는 유저와 아이템을 나타내며, 각 엣지는 유저와 아이템 간의 상호작용을 나타냅니다.

LightGCN은 다른 CF(협업 필터링) 모델과 달리, User와 Item간의 interaction(상호작용) 매트릭스를 이용하여 User와 Item을 Embedding시키는 작업만을 수행한다. 즉, User-Item 간의 side-information이나 Auxiliary feature를 사용하지 않는다.

LightGCN에서 사용되는 GCN은 message passing과정에서 User와 Item 간의 interaction이 Embedding 공간에서 얼마나 가까운지를 계산하는데에만 사용된다 이를 위해 User와 Item 간의 interaction matrix를 정규화하고, GCN의 weight를 1로 고정하는 등의 가벼운 방식을 적용하여 모델의 학습 속도를 높인다.

LightGCN의 장점

• 사용할 Auxiliary feature가 없어 매우 가볍고 단순하며 빠른 속도를 보여줌.
• SOTA(CF모델)보다 높은 성능을 보여줌

LightGCN의 단점

• cold-start problem을 해결하지 못함
• 과적합될 가능성 존재
• 데이터가 매우 sparse한 경우 학습 성능이 떨어짐

코드 구현

• LightGCN 논문 요약LightGCN with PyTorch Geometric
• 넷플릭스, 트위터, 스포티파이 같은 디지털 서비스 뒤에는 사용자의 관심사를 예측하고 구매, 시청, 읽기에 영향을 주는 추천 시스템이 있다. 이 글에서는 PyTorch와 PyG로 구현된 그래프 기반 협업 필터링 추천 시스템 모델인 LightGCN에 대해 살펴본다.

목표 : 사용자가 아직 평점을 매기지 않은 영화를 추천

• 노드 : 사용자, 영화
• 엣지 : 사용자와 영화 간의 상호작용(평점

데이터 전처리

• 사용자가 좋아할 만한 영화만 추천하고 싶기 때문에, 0.5 ~ 5점 척도였던 평점(엣지)를 4점 이상으로만 포함하는 방식으로 데이터를 전처리

훈련 목표(Task)

• 두 노드 사이에 유효한 엣지가 존재하는지 여부를 예측하는 엣지 예측 작업
• 이를 위해 그래프 구조에서 사용자와 영화 노드 간의 구분이 없는 동질 그래프로 설정
• 그래프가 사용자와 영화 사이에만 에지가 존재하는 이분형 그래프
• 사용자와 영화를 동일한 유형의 노드로 취급할 수 있음.
• 동종 그래프 표현의 인접 행렬은 희소 행렬
  • 희소 행렬 : 인접 행렬의 요소 대부분이 0