إكمال المصفوفة الاستقرائية استنادًا إلى الشبكات العصبية الرسومية

نقترح نموذجًا لإكمال المصفوفة الاستقرائية دون استخدام معلومات جانبية. من خلال تحليل المصفوفة (المقاييس) إلى حاصل ضرب تمثيلات مخفية ذات أبعاد منخفضة للصفوف (المستخدمين) والأعمدة (العناصر)، فإن معظم طرق إكمال المصفوفة الحالية هي استنباطية، حيث لا يمكن تعميم التمثيلات المستفادة على الصفوف أو الأعمدة غير المرئية أو على مصفوفات جديدة. لجعل إكمال المصفوفة استقرائيًا، استخدمت معظم الأعمال السابقة محتوى (معلومات جانبية)، مثل عمر المستخدم أو نوع الفيلم، للتنبؤ. ومع ذلك، قد لا تكون المعلومات عالية الجودة متاحة دائمًا ويمكن أن يكون من الصعب استخراجها. في الإعداد المتطرف حيث لا تتوفر أي معلومات جانبية أخرى بخلاف المصفوفة التي يجب إكمالها، هل يمكننا ما زلنا تعلم نموذج إكمال المصفوفة الاستقرائي؟ في هذا البحث، نقترح نموذجًا لإكمال المصفوفة القائمة على الرسوم البيانية الاستقرائية (IGMC) لمعالجة هذه المشكلة. يدرب IGMC شبكة عصبية رسومية (GNN) بالكامل على الرسوم البيانية الجزئية ذات الدورة الواحدة حول أزواج (مستخدم، عنصر) التي تم توليدها من مصفوفة المقاييس ويربط هذه الرسوم البيانية الجزئية بتصنيفاتهم المقابلة. يتميز النموذج بأداء تنافسي للغاية مع الأساليب الاستنباطية الأكثر حداثة. بالإضافة إلى ذلك، فإن IGMC هو استقرائي -- يمكنه التعميم على المستخدمين/العناصر الذين لم يتم رؤيتهم أثناء التدريب (شريطة وجود تفاعلات لهم)، ويمكنه حتى الانتقال إلى مهمات جديدة. أظهرت تجارب التعلم النقل لدينا أن نموذجًا تم تدريبه باستخدام مجموعة بيانات MovieLens يمكن استخدامه مباشرةً للتنبؤ بتصنيفات الأفلام على Douban بمعدل أداء جيد بشكل مفاجئ. يثبت عملنا أن: 1) من الممكن تدريب نماذج إكمال المصفوفة الاستقرائية دون استخدام معلومات جانبية مع تحقيق أداء مشابه أو أفضل من الأساليب الاستنباطية الأكثر حداثة؛ 2) الأنماط الرسومية المحلية حول زوج (مستخدم، عنصر) هي مؤشرات فعالة للتصنيف الذي يمنحه المستخدم لهذا العنصر؛ و3) قد لا تكون الاعتمادات طويلة المدى ضرورية لنمذجة أنظمة التوصيات.