GNN 기반 사용자 방문 추천 시스템

국문 초록 (Abstract)

본 연구는 그래프 신경망(Graph Neural Network, GNN)을 활용하여 사용자 특성, 방문지, 상호작용 데이터를 기반으로 개인화된 관심 지점인 PoI 추천 시스템을 개발하고자 한다. GNN의 구조적 장점을 활용하여, 복잡한 사용자 데이터를 그래프 구조로 모델링함으로써, 사용자-아이템 간 분석을 극대화하고 추천 시스템의 성능을 향상한다. 또한, AI-hub에서 제공하는 실제 데이터인 국내 여행 로그 데이터를 사용하여 시스템의 실제적용 가능성을 검증하였다. 본 연구에서는 GCN, GAT, GraphSAGE, ChevConv Layer, 멀티-헤드 어텐션 기법등의 방법을 사용하여 M1, M2, NGCF 및 그에 따른 파인 튜닝(Fine-Tuning)된 모델을 개발하여 사용자 특성, 방문지, 상호작용 데이터를 분석하고 PoI를 추천하였다. 연구 결과에서는 사용자 데이터를 기반으로 학습된 모델이 유사한 특성의 새로운 지역을 성공적으로 추천함으로써 개인화된 사용자 경험을 제공하고 그래프 데이터와 그래프 신경망을 활용한 다양한 접근 방식을 제안한다. 결과적으로 사용자 특성이 반영된 그래프 구조로부터 그래프 신경망을 사용한 추천 시스템의 성능 향상과 추천 시스템의 발전에 기여한다.

다국어 초록 (Multilingual Abstract)

This study utilizes Graph Neural Networks (GNN) to develop a personalized Point of Interest (PoI) recommendation system based on user characteristics, visitation data, and interaction data. By leveraging the structural advantages of GNN, complex user data is modeled into a graph structure, maximizing user-item interaction analysis and enhancing the performance of the recommendation system. Additionally, real-world data from AI-hubs domestic travel logs were used to validate the practical applicability of the system. This research employs various methods such as GCN, GAT, GraphSAGE, ChebConv Layer, and multi-head attention techniques to develop M1, M2, NGCF models, and their fine-tuned versions to analyze user characteristics, visitation, and interaction data and to recommend PoIs. The results show that the model, trained on user data, successfully recommends new areas with similar characteristics, providing a personalized user experience. This introduces various approaches using graph data and graph neural networks, contributing to the enhancement of recommendation system performance and the advancement of recommendation systems, reflecting user characteristics in the graph structure.