基于图自编码器的归纳式矩阵补全
机器学习
2021-08-26 v1 人工智能
摘要
近年来，图神经网络 (Graph Neural Network, GNN) 通过将评分矩阵表述为二部图并预测对应用户与项目节点之间的链接，在矩阵补全中展现了强大的能力。大多数基于 GNN 的矩阵补全方法基于图自编码器 (Graph Autoencoder, GAE)，其将独热索引作为输入，将用户（或项目）索引映射为可学习的嵌入，应用 GNN 基于这些可学习的嵌入学习节点特定的表示，最后聚合目标用户及其对应项目节点的表示以预测缺失的链接。然而，在没有节点内容（即辅助信息）进行训练的情况下，在归纳式设置中无法学习用户（或项目）特定的表示，即在一组用户（或项目）上训练的模型无法适应新用户（或项目）。为此，我们提出了一种使用 GAE 的归纳式矩阵补全方法 (IMC-GAE)，该方法利用 GAE 学习用于个性化推荐的用户特定（或项目特定）表示，以及用于归纳式矩阵补全的局部图模式。具体而言，我们设计了两种信息丰富的节点特征，并在 GAE 中采用逐层节点丢弃方案来学习可泛化到未见数据的局部图模式。本文的主要贡献在于在 GAE 中高效学习局部图模式的能力，与以往基于 GNN 的矩阵补全方法相比，具有良好的可扩展性和卓越的表达能力。此外，大量实验表明，我们的模型在多个矩阵补全基准上达到了 state-of-the-art 性能。我们的官方代码已公开。
引用
@article{arxiv.2108.11124,
title = {Inductive Matrix Completion Using Graph Autoencoder},
author = {Wei Shen and Chuheng Zhang and Yun Tian and Liang Zeng and Xiaonan He and Wanchun Dou and Xiaolong Xu},
journal= {arXiv preprint arXiv:2108.11124},
year = {2021}
}