The cold start problem is a significant challenge in Graph Neural Network (GNN)-based models for tasks like recommender systems and link prediction. Limited interaction nodes, known as "cold nodes", hinder accurate embedding formation, leading to performance degradation. Existing approaches often rely on complex calculations or separate side information, which may not be practical in real-world scenarios. To address this, we propose a Node Embedding Enhancement Framework (NEEF), a framework that focuses on improving node representations to mitigate the cold start problem. Inspired curriculum learning, framework generates reliable node embeddings from a subgraph of "warm nodes". These embeddings are then integrated into the graph's node features, improving discriminate power. Extensive experiments on real-world datasets demonstrate the effectiveness of our framework in mitigating cold start effects. It consistently outperforms the state-of-the-art methods, significantly improving performance. The framework seamlessly integrates into existing GNN architectures, enabling broad application without major modifications. Our improved embedding framework advances GNN-based models, addressing the cold start problem and enhancing their capabilities. Its practicality and effectiveness have the potential to enhance real-world applications that rely on graph-based data without adding side information.
그래프 신경망 기반의 링크예측과 추천시스템 작업에서 콜드 스타트 문제는 매우 중요한 과제이다. '콜드 노드'로 알려진, 제한된 상호작용을 가지는 노드는 신경망의 학습과정에서 정확한 임베딩 형성을 방해하며 전체적인 성능 저하를 일으킨다. 기존의 접근 방식은 이를 해결하기 위해 별도의 신경망을 구축하여 추가적인 계산을 수행하거나, 노드의 표현을 보조하는 부가정보에 의존하는 연구들이 대다수로, 이는 실제 시스템에 적용되어 문제를 해결하는데에 있어 제한적이다. 본 연구에서는 이를 해결하기 위해 '콜드 스타트 문제 완화를 위한 노드 표현 강화 프레임워크' 를 제안한다. 본 프레임워크는 보다 난이도가 낮은 샘플을 먼저 학습시켜 성능을 개선한 커리큘럼 러닝에서 영감을 받아, 밀집된 웜 하위 그래프를 생성하고 이들의 임베딩을 우선적으로 생성한 뒤 원래 그래프의 노드 특징에 통합한다. 이를통해 불필요한 노이즈를 줄이고, 노드 표현력을 향상시키는 노드 표현 강화 임베딩을 생성한다. 해당 프레임워크는 신경망의 전파과정에 비의존적이고 레이어 구조의 변경 없이 성능을 개선함으로서 최신의 모델에 원활하게 통합될 수 있다. 실제 데이터 세트에 대한 실험을 통해 제안된 프레임워크가 별도의 추가정보 수집 없이도 콜드 스타트 효과를 완화하는 데 효과적이라는 것을 보였다.
