Development of an explainable multi-platform recommendation system using topic modelling and graph neural networks

다국어 초록 (Multilingual Abstract)

The increasing fragmentation of user behavior across e-commerce services, social media platforms, and online content providers has intensified the sparsity and heterogeneity challenges faced by modern recommender systems. Traditional collaborative filtering and cross-domain recommendation models are limited in multi-platform environments, especially where information is isolated across platforms. This dissertation proposes a unified multi-platform recommendation framework that integrates heterogeneous data using graph-based modeling, topic modelling, and graph neural networks (GNNs). The framework consists of three modules: (1) generation of semantic bipartite user-item interaction graphs for each platform, (2) platform-wide topic discovery using multimodal documents, and (3) multi-platform explainable recommendation. Extensive experiments on public and real-world datasets demonstrate that the proposed system significantly improves recommendation accuracy and explainability, offering a scalable foundation for next-generation multi-platform recommendation systems.

국문 초록 (Abstract)

디지털 플랫폼의 다양화와 함께 사용자 활동이 여러 서비스로 분산되면서, 추천 시스템은 심각한 데이터 희소성과 플랫폼 간 이질성 문제에 직면하고 있다. 기존의 협업 필터링(Collaborative Filtering, CF) 및 상호도메인 추천 기법은 주로 단일 플랫폼 내의 사용자–아이템 상호작용에 의존하며, 서로 다른 플랫폼 간 정보 공유가 제한된 환경에서는 효과적으로 적용되기 어렵다. 본 논문은 이러한 한계를 극복하기 위해 그래프 기반 데이터 통합, 자연어 처리, 그리고 그래프 신경망(Graph Neural Networks, GNN)을 결합한 설명가능한 다중 플랫폼 추천 프레임워크를 제안한다. 제안한 프레임워크는 다음의 세 가지 핵심 모듈로 구성된다. 첫째, 각 플랫폼의 관계형 데이터베이스를 그래프 구조로 변환하여 사용자와 아이템 간의 의미적 관계를 표현하는 그래프 기반 데이터 통합 모듈을 설계한다. 둘째, 여러 플랫폼에 분산된 이미지 및 텍스트로 구성된 멀티모달 문서로부터 플랫폼 전반에 공통적으로 나타나는 토픽을 발견하는 다중 플랫폼 토픽 모델링 모듈을 제안한다. 셋째, 발견된 다중 플랫폼 토픽을 활용하여 사용자 간 중복 없이도 플랫폼 간 지식 전이를 가능하게 하는 GNN 기반 설명가능한 다중 플랫폼 추천 모듈을 개발한다. 다양한 공개 데이터셋과 실제 환경을 모사한 실험을 통해, 제안한 프레임워크는 기존 추천 기법 대비 우수한 추천 정확도와 향상된 설명가능성을 보였으며, 플랫폼 간 데이터 규모 차이와 희소성 문제를 효과적으로 완화함을 확인하였다. 본 연구는 이질적이고 분산된 디지털 생태계에서 실질적으로 활용 가능한 차세대 멀티플랫폼 추천 시스템의 이론적·기술적 기반을 제시한다.

목차 (Table of Contents)

• Chapter 1. INTRODUCTION 1
• 1. Background and Motivation 1
• 2. Research Objectives 4
• 3. Organization of Dissertation 6
• Chapter 2. RELATED WORKS 7
• 1. Graph-based RDB Modelling and Utilization 7
• 2. User Interest Discovery and Utilization 9
• 2.1. Topic Models for Discovering User Interests 9
• 2.2. Utilization of Discovered User Interests for Recommendation 11
• 3. GNN-based Recommendation 14
• Chapter 3. PROPOSED FRAMEWORK 18
• 1. Overall Architecture 18
• 2. Generating Semantic Bipartite UserItem Interaction Graphs for Each Platform 19
• 2.1. Motivation and Overview 19
• 2.2. Preliminaries 20
• 2.3. Discovering Atomic Routes Between User and Item Entities 20
• 2.4. Transforming Atomic Route Instances into a Semantic Bipartite Graph 22
• 2.5. Semantic Bipartite UserItem Interaction Graph 23
• 2.6. Summary 24
• 3. Discovering Platform-wide Topics 24
• 3.1. Motivation and Overview 24
• 3.2. Corpus Construction from Semantic Bipartite Graphs 26
• 3.3. Integrated Multimodal Topic Model 28
• 3.4. Discovering Platform-wide Topics Using Integrated LDA model 35
• 3.5. Platform-wide Topic Augmentation to User-item Interaction Graph 36
• 3.6. Feasibility of Topic Models 37
• 4. Multi-Platform Explainable Recommendation Module 38
• 4.1. Motivation and Overview 38
• 4.2. Topic-Aided Multi-Platform Collaborative Filtering 40
• 4.3. Performing Multi-platform CF on the Augmented Graph 43
• 4.4. Explanation Generation Using Topic-based Paths 44
• 4.5. Summary and Feasibility 46
• Chapter 4. EXPERIMENTS 48
• 1. Evaluation of Platform-wide Topic Discovery 48
• 1.1. Experiments on Multimodal Topic Discovery 49
• 1.2. Experiments on Multi-platform Topic Discovery 51
• 2 Evaluation of Explainable Multi-platform Recommendation 54
• 2.1. Dataset Description 54
• 2.2. Parameter Analysis of TACO Model 55
• 2.3. Performance Comparison with Baselines 58
• 2.4. Case Study on Explainability 59
• Chapter 5. CONCLUSION 62
• References 68