A Study on Recommendation Systems Based on Time-Series GNN

Abstract

추천 시스템에 최적화된 GCN 모형인 LightGCN이 개발되었으나, 시계열 GCN에 기반한 추천 시스템 특화 모형은 아직 개발되지 않았다. LightGCN은 단일 시점의 useritem 상호작용만을 활용하여 추천을 수행한다. 이에 본 연구에서는 LightGCN에 시계열 업데이트 메커니즘인 GRU를 통합한 Evolving LightGCN (ELGCN)을 제안한다. ELGCN에서는 GRU를 이용해 초기 임베딩 레이어를 시간에 따라 업데이트하고, 각 시점별 레이어는 LightGCN 아키텍처를 통해 추가적으로 업데이트한다. 최종 임베딩은 모든 시점의 임베딩 레이어 평균을 이용해 계산하며, 사용자와 아이템의 최종 임베딩 벡터의 내적을 통해 에지 연결 확률을 예측한다. 제안된 모형은 MovieLens 및 Netflix Prize 데이터셋을 활용하여 평가되었으며, 시계열 버전의 GCN, LightGCN, EvolveGCN 모형과 비교 연구를 수행하였다. 실험 결과, 제안된 모형이 두 데이터셋 모두에서 일관되게 높은 성능을 보이는 것으로 확인되었다.|While LightGCN, a GCN model optimized for recommendation systems, has been developed, a specialized model for recommendation systems based on time-series GCN has not yet been proposed. LightGCN performs recommendations using only user-item interactions at a single time point. In response, we propose Evolving LightGCN (ELGCN), which extends LightGCN by incorporating a temporal update mechanism using GRU. In ELGCN, the initial embedding layer is updated over time using GRU, and each time point's layer is further updated using the LightGCN architecture. The final embedding is computed as the average of all embedding layers across time. The link connection probability between users and items is then calculated as the dot product of their final embedding vectors. We evaluated the proposed model using the MovieLens and Netflix Prize datasets and conducted a comparative study against temporal versions of GCN, LightGCN, and the EvolveGCN models. The results indicate that the proposed model consistently outperformed the others across both datasets.