서명 그래프 추천: 구조적 일관성 극대화

Signed-Graph Recommendation as Structural Consistency Maximization

서명 기반 소셜 추천은 신뢰 및 불신 관계를 모델링하여 잠재력을 보여주었지만, 종종 구조적 노이즈와 데이터 희소성으로 인해 효과가 제한됩니다. 본 연구에서는 기존 모델의 구조, 전파 및 의미 계층 간의 근본적인 불일치를 밝혀냈으며, 이는 희소하거나 노이즈가 많은 데이터 세트에서 학습된 편향된 표현을 초래합니다. 또한, 대부분의 기존 방법은 관찰된 그래프를 고정된 것으로 취급하여 노이즈가 많은 토폴로지와 신뢰할 수 있는 소셜 의미 간의 격차를 해소하지 못한다는 것을 확인했습니다. 이러한 문제를 해결하기 위해, 본 연구에서는 서명 기반 소셜 추천을 구조적 일관성 극대화 문제로 정의하는 통합 프레임워크인 SSC-Loop를 제안합니다. SSC-Loop는 구조적 일관성을 위한 ESA-DA 모듈, 전파 일관성을 위한 P/N/O 전파 메커니즘 및 의미적 일관성을 위한 대비 학습 목표의 세 가지 주요 모듈로 구성됩니다. Epinions 데이터셋에 대한 실험 결과, SSC-Loop가 명시적인 서명 기반 소셜 평점 예측에서 뛰어난 성능을 달성하는 것으로 나타났습니다. 또한, Slashdot 데이터셋에 대한 추가적인 실험은 SSC-Loop가 서명 기반 소셜 구조를 활용할 수 있는 능력을 더욱 시사합니다. 소스 코드는 https://github.com/Refrainwww/SSC-Loop 에서 확인할 수 있습니다.

While signed social recommendation has shown great potential by modeling both trust and distrust relations, its effectiveness is often hindered by structural noise and data sparsity. In this work, we first identify a fundamental inconsistency across the structural, propagation, and semantic layers of existing models, which leads to biased representations learned from sparse or noisy datasets. Furthermore, we observe that most existing methods treat the observed graph as fixed, failing to bridge the gap between noisy topologies and reliable social semantics. To address these issues, we propose a unified framework named SSC-Loop that treats signed social recommendation as the maximization of structural consistency. SSC-Loop includes three dedicated modules: ESA-DA for structural consistency, a P/N/O propagation mechanism for propagation consistency, and a contrastive learning objective for semantic consistency. Experiments on Epinions demonstrate that SSC-Loop achieves strong performance on explicit signed social rating prediction, while auxiliary results on Slashdot under a derived link-existence setting further suggest its ability to exploit signed social structures. Source code is available at https://github.com/Refrainwww/SSC-Loop.