관계 인식 확산 비대칭 그래프 대조 학습 기반 추천 시스템

본 논문은 협업 필터링(CF) 기반 추천 시스템에서 그래프 신경망(GNN)과 그래프 대조 학습(GCL)의 결합이 가져오는 두 가지 핵심 한계, 즉 (1) 무작위 엣지·노드 드롭아웃에 의한 구조 의미 손실과 (2) 데이터 희소성으로 인한 고차 관계 전파 부족을 해결하고자 한다. 이를 위해 제안된 RaDAR(Relation‑aware Diffusion‑Asymmetric Graph Contrastive Learning) 프레임워크는 두 개의 상보적인 뷰 생성 메커니즘을 도입한다. 첫 번째는 전역 구조를 포착하는 그래프 생성 모델(VGAE)이며, 두 번째는 관계‑인식 디노이징 모델로 잡음이 섞인 엣지를 정제한다. **핵심 혁신 1 – 비대칭 대조 학습과 글로벌 네거티브 샘플링** 전통적인 대조 학습은 두 뷰를 대칭적으로 처리해 동일한 임베딩을 끌어당기지만, 이는 잡음이 포함된 뷰에서도 동일하게 최적화돼 의미 정렬을 약화시킨다. RaDAR는 한 뷰에 ‘포워드 노이즈’를, 다른 뷰에 ‘리버스 노이즈’를 적용해 비대칭적인 손실을 설계한다. 또한, 전체 그래프에서 무작위로 추출한 글로벌 네거티브 샘플을 사용해 의미가 다른 노드들을 명시적으로 구분함으로써, 잡음 억제와 의미 정렬을 동시에 달성한다. **핵심 혁신 2 – 확산‑가이드 증강** 확산 모델(Diffusion Model)의 노이즈‑투‑데이터 생성 메커니즘을 차용해, 임베딩 공간에 단계적 Gaussian 노이즈를 주입하고 역확산 네트워크가 이를 복원하도록 학습한다. 이 과정은 DDPM과 유사하게 ELBO를 최대화하는 형태로 구현되며, 노이즈 스케줄러(선형 α_t)와 역전파 MLP를 통해 각 단계에서 최적의 복원 능력을 갖춘다. 결과적으로, 원본 그래프의 구조적 특성을 보존하면서도 노이즈에 대한 강인성을 획득한다. **핵심 혁신 3 – 관계‑인식 엣지 정제** 각 엣지는 사용자·아이템 간의 관계 특성(예: 상호작용 강도, 메타데이터)과 현재 노드 임베딩을 입력으로 하는 어댑티브 게이트(g)와 어텐션 가중치(α_ij)를 통해 동적으로 가중치가 부여된다. 마스크 M_l은 Bernoulli 분포를 concrete distribution으로 근사해 미분 가능하게 만들고, sparsity 파라미터 τ를 통해 전체 마스크의 밀도를 제어한다. 이렇게 정제된 그래프는 잡음이 제거된 깨끗한 뷰로 활용되어 대조 학습에 기여한다. **모델 아키텍처** 1. **임베딩 전파**: LightGCN 스타일의 다층 메시지 전달을 통해 기본 사용자·아이템 임베딩을 얻는다. 정규화된 인접 행렬 ˜A를 이용해 각 레이어에서 E_u^l = ˜A E_v^{l‑1} + E_u^{l‑1}, E_v^l = ˜A^T E_u^{l‑1} + E_v^{l‑1} 형태로 업데이트하고, 모든 레이어의 임베딩을 합산해 최종 표현을 만든다. 2. **그래프 생성 뷰**: VGAE(Variational Graph Auto‑Encoder)를 사용해 변분 인코더(GCN)와 디코더(가우시안 샘플링)로 그래프 구조를 재구성한다. KL‑divergence, 재구성 손실, BPR 손실을 결합한 복합 목표를 최적화한다. 3. **관계‑인식 디노이징 뷰**: 어댑티브 게이트와 concrete distribution 기반 마스크를 통해 엣지 보존 확률을 학습한다. 마스크된 인접 행렬 A_l = A ⊙ M_l을 사용해 디노이징된 그래프를 만든다. 이 과정에서 L_c(Concrete loss)와 BPR 손실, L2 정규화를 포함한다. 4. **확산‑가이드 증강**: 임베딩 h_L을 초기 상태로 두고, t 단계마다 𝜒_t = √ᾱ_t 𝜒_0 + √(1‑ᾱ_t) ε (ε∼N(0,I)) 형태로 노이즈를 주입한다. 역확산 네트워크 ˆ𝜒_θ(·)는 MLP로 구현돼, 각 단계에서 원본 임베딩을 복원한다. ELBO 기반 손실 L_elbo = E_{t∼U(1,T)}