تعلم تمثيلات المتجهات (وهي ما تُعرف أيضًا بالتمثيلات) للمستخدمين والعناصر يشكل جوهر أنظمة التوصية الحديثة. بدءًا من تقنيات التحليل العامل الأولي المبكرة وصولاً إلى الأساليب القائمة على التعلم العميق التي ظهرت مؤخرًا، فإن الجهود الحالية تحصل عادةً على تمثيل مستخدم (أو عنصر) من خلال رسم خريطة من الخصائص الموجودة مسبقًا التي تصف المستخدم (أو العنصر)، مثل المعرف والخصائص. نعتقد أن هناك عيبًا جوهريًا في مثل هذه الأساليب يتمثل في عدم ترميز الإشارة التعاونية، والتي تكون مخفية في تفاعلات المستخدم-العنصر، في عملية التمثيل. وبالتالي، قد لا تكون التمثيلات الناتجة كافية لالتقاط تأثير الترشيح التعاوني.في هذا العمل، نقترح دمج تفاعلات المستخدم-العنصر - وبشكل أكثر تحديدًا هيكل الرسم البياني الثنائي - في عملية التمثيل. قمنا بتطوير إطار جديد للترشيح التعاوني الرسومي العصبي (Neural Graph Collaborative Filtering - NGCF)، والذي يستغل هيكل الرسم البياني للمستخدم-العنصر من خلال نشر التمثيلات عليه. هذا يؤدي إلى نموذج تعابير متقدم للروابط ذات الدرجة العليا في رسم بياني المستخدم-العنصر، مما يحقن الإشارة التعاونية بطريقة صريحة في عملية التمثيل. أجرينا العديد من التجارب الواسعة على ثلاثة مقاييس مرجعية عامة، مما أظهر تحسينات كبيرة على عدة نماذج متقدمة مثل HOP-Rec وCollaborative Memory Network. كما أكدت التحليلات الإضافية أهمية نشر التمثيلات لتعلم تمثيلات أفضل للمستخدمين والعناصر، مما يبرر المعقولية والفعالية الخاصة بإطار NGCF. يمكن الحصول على الكود من الرابط: https://github.com/xiangwang1223/neural_graph_collaborative_filtering.