Points-of-interest (POI) recommendation
POI란, 지도에 체크를 해두는 관심지점을 의미한다.
•
POI 추천: 지질학적, 위치적 정보를 활용하여 user에 POI를 추천하는 task.
•
POI 관련 graph data는 user-POI bipartite graph, sequence graph based on check-ins, 그리고 geographical graph 등이 있다.
•
특정 거리 이내에 존재하는 POI에 서로 연관이 있다고 가정하고 edge로 연결해 사용.
•
관련 연구
◦
SGRec: 서로 연관이 깊은 POI를 시용해 check-in sequence 예측.
◦
Chang et al: 두 POI를 연속해서 방문할수록 두 POI간 geographical influence 있다고 주장.
Group recommendation
•
Item을 “Group of users”에게 추천하는 task.
•
Relation: 크게 3가지 type
◦
User-Item: 1 user - n items
◦
User-Group: 1 group - n users
◦
Group-Item: 1 group of users - all chose the same item
•
Group은 user와 item을 연결해주는 다리 역할이고, 이 representation을 얻는 것이 핵심.
•
관련 연구
◦
GAME: Inductive하게 고정된 group node를 graph에 추가하여 GAT를 적용하여 user node와 weight 학습되도록 함.
◦
GLS-GRL: GAME을 transductive 하게 만들어서 새로운 group의 형성 가능.
Bundle recommendation
•
한 명의 user에게 여러 item set (bundle) 을 추천하는 task.
•
Relation: 크게 3가지 type
◦
User-Item: 1 user - n items
◦
User-Bundle: users choose the bundles
◦
Bundle-Item: 1 bundle - n items
•
Bundle representation을 얻는 것이 핵심.
•
관련 연구
◦
BGCN: 세 가지 relation을 하나의 graph에 통합하고, user 입장에서 item level, bundle level propagation 수행.
◦
HFGN: Bundle을 user와 item 사이의 다리로 생각하고 hierarchical graph 만들어서 사용.
Click-through rate (CTR) prediction
•
여러 feature들을 기반으로 click rate를 예측하는 task.
•
Feature 간의 interaction을 modeling하고, user interest를 파악하는 것이 핵심.
•
관련 연구
◦
Fi-GNN: 각 feature들을 node로 사용하는 feature graph를 만들어서 GNN으로 propagate.
◦
DG-ENN: Fi-GNN에서 부족했던 collaborative signal (user-item)과 user-user similarity, item-item transition 정보까지 활용
Multimedia recommendation
•
Multi-modality (text, images, videos) 추천
•
관련 연구
◦
MMGNN: 각 modality 마다 user-item bipartite graph 만들고 GNN으로 propagate 한 뒤에 sum
◦
GRCN: 하나의 user-item graph에서 propagation layer 마다 각 modality 중 maximum value만 취해 user-item aggregation weight로 사용
◦
MKGAT: user node와 multi-modal knowledge graph를 하나의 graph로 통합하고, relation-aware GAT 적용.