Recommendation Systems based on Feature-Adaptive Graph Attention Network

Q: 이 논문에서 정의한 FAGAT이란 무엇인가?

GAT의 멀티 헤드 어텐션 메커니즘에 데이터 적응형 연산을 도입한 그래프 신경망이다. 표준 GATConv 외에도 평점 기반의 RatingConv와 차수 기반의 PopConv 등 도메인 특화 헤드를 병렬로 구성하여, 추천 시스템 데이터의 구조적 특성과 통계적 신호를 효과적으로 반영하는 표현 학습을 수행한다.

Q: 특징 적응형 그래프 어텐션 네트워크가 기존 모델보다 우수한 성능을 보이는 이유는 무엇인가?

연구 결과, 게이팅 메커니즘 없이 모든 전문 헤드를 항상 활성화하고 잔차 연결을 통해 도메인 특화 정보를 보존함으로써 학습 안정성을 높였다. 이를 통해 MovieLens 및 FilmTrust 데이터셋의 NDCG@20 지표에서 기존 베이스라인 대비 약 10%의 성능 개선을 달성하였다.

안진수; 박민철; 오민정; 최도진

doi:10.5626/JOK.2026.53.3.256

학술저널

저자정보: 안진수 (국립창원대학교) 박민철 (국립창원대학교) 오민정 (국립창원대학교) 최도진 (국립창원대학교)

저널정보: Korean Institute of Information Scientists and Engineers Journal of KIISE Journal of KIISE Vol.53 No.3

오류 신고하기

피인용 0

검색

초록·키워드

정보통신기술의 발전으로 다양한 온라인 콘텐츠가 폭발적으로 증가하면서, 사용자들은 정보 과잉 문제를 겪고 있다. 이로 인해 추천 시스템 연구의 필요성이 커지고 있다. 본 연구는 사용자-콘텐츠 상호작용을 그래프 형태로 모델링하여 도메인별로 상이한 구조적 특성과 노이즈를 효과적으로 반영하는 그래프 학습방법을 제안한다. 데이터 적응적인 그래프 학습을 달성하기 위해 각각의 연산을 서로 다르게 적용하는 개선된 그래프 어텐션 네트워크(GAT) 모델을 기반으로 RatingConv, PopConv와 같은 헤드를 설계하여 데이터의 특징을 반영하는 학습 방법을 소개한다. 제시된 방법론은 추천 시스템 벤치마크인 Movielens-1M, Movielens-25M, FilmTrust 데이터셋 실험에서 기존 베이스라인 모델과 비교해 NDCG@20 지표에서 약 10%의 성능 개선을 달성하였다.

#추천 시스템 #그래프 신경망 #그래프 어텐션 네트워크 #다중 헤드 어텐션 #recommendation systems #graph neural networks #graph attention networks #multi-head attention

본문·목차

DBpia Pick! 추천 자료

함께 본 자료

저자 정보

최근 본 자료 전체보기

UCI(KEPA) : I410-151-26-02-096242067

배경 및 목적
대상 및 방법론
분석 및 수행
결과 및 의의

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록·키워드

참고문헌

AI가 분석한 연구 핵심

이 논문의 한줄 요약

이 논문의 연구방법

본문·목차

DBpia Pick! 추천 자료

함께 본 자료

저자 정보

최근 본 자료 전체보기

피인용 자료 DBpia에 구축된 참고문헌을기준으로 집계되어, 타 사이트의피인용 수와 다를 수 있습니다.

댓글(0)

피인용 자료