基于图神经网络的归纳式矩阵补全

我们提出了一种不使用辅助信息的归纳式矩阵补全模型。通过将（评分）矩阵分解为行（用户）和列（物品）的低维潜在嵌入的乘积，大多数现有的矩阵补全方法是转导式的，因为学习到的嵌入无法泛化到未见的行/列或新的矩阵。为了使矩阵补全具有归纳性，以往大多数工作使用内容（辅助信息），例如用户的年龄或电影的流派，来进行预测。然而，高质量的内容并非总是可得，且可能难以提取。在除待补全矩阵外没有任何辅助信息可用的极端设定下，我们是否仍能学习一个归纳式矩阵补全模型？在本文中，我们提出一种基于图的归纳式矩阵补全（IGMC）模型来解决此问题。IGMC 纯粹基于从评分矩阵生成的（用户，物品）对周围的 1-hop 子图来训练图神经网络（GNN），并将这些子图映射到其对应的评分。它取得了与最先进的转导式基线极具竞争力的性能。此外，IGMC 是归纳式的——它可以泛化到训练期间未见的用户/物品（前提是它们的交互存在），甚至可以迁移到新任务。我们的迁移学习实验表明，在 MovieLens 数据集上训练的模型可直接用于预测 Douban 电影评分，且性能出奇地好。我们的工作表明：1）在不使用辅助信息的情况下训练归纳式矩阵补全模型，同时取得与最先进转导式方法相似或更好的性能是可能的；2）（用户，物品）对周围的局部图模式是该用户给予该物品评分的有效预测因子；3）长程依赖对于建模推荐系统而言可能并非必要。