图自编码器表示学习的贡献及其在音乐推荐中的应用

图自编码器（GAE）与变分图自编码器（VGAE）作为两类强大的无监督节点嵌入方法而出现，并广泛应用于链接预测与社区检测等基于图的机器学习问题。然而，在本博士项目开始时，GAE 与 VGAE 模型也存在关键局限，阻碍其在工业界采用。本论文提出若干改进这些模型的贡献，总体目标是促进其用于解决涉及图表示的工业级问题。首先，我们提出两种策略克服先前 GAE 与 VGAE 模型的可扩展性问题，允许在含数百万节点与边的大图上有效训练这些模型；这些策略分别利用图退化与随机子图解码技术。此外，我们引入重力启发的 GAE 与 VGAE，提供这些模型在方向图上的首批扩展，而方向图在工业应用中无处不在。我们也考虑 GAE 与 VGAE 模型在动态图上的扩展。进而，我们认为 GAE 与 VGAE 模型常不必要地复杂，并提出通过线性编码器简化它们。最后，我们引入模块化感知 GAE 与 VGAE 以改进图上的社区检测，同时保持在链接预测上的良好性能。在本论文最后部分，我们在取自音乐流媒体服务 Deezer 的若干图上评估我们的方法，重点置于基于图的音乐推荐问题。特别地，我们展示我们的方法可改进相似音乐条目社区的探测以推荐给用户、可在冷启动设定下有效排序相似艺术家，并允许建模跨文化的音乐流派感知。