ما قوة التConvolution الرسومية للإقتراح؟

أدى انتشار الشبكات التلافيفية الرسومية (GCNs) مؤخرًا إلى تمكين فئة شائعة من الخوارزميات الخاصة بالتصفية التعاونية (CF). ومع ذلك، ما زال التبرير النظري لنجاحها التطبيقي غامضًا. في هذه الورقة، نسعى إلى فهم أعمق للطرق القائمة على الشبكات التلافيفية الرسومية للتصفية التعاونية من خلال منظور معالجة الإشارات الرسومية. من خلال تحديد الدور الحاسم لسلسّة الإشارة الرسومية، وهي مفهوم أساسي في معالجة الإشارات الرسومية، نطور إطارًا موحدًا قائمًا على التلافيف الرسومي للتصفية التعاونية. ونُثبت أن العديد من الطرق الحالية للتصفية التعاونية تمثل حالات خاصة من هذا الإطار، بما في ذلك الطرق القائمة على الجيران، وتحليل المصفوفات من الرتبة المنخفضة، والمحولات التلقائية الخطية، وLightGCN، والتي تتوافق مع أنواع مختلفة من المرشحات منخفضة التردد. بناءً على هذا الإطار، نقدّم بعد ذلك نموذجًا أساسيًا بسيطًا وفعالًا حسابيًا للتصفية التعاونية، والذي سنسميه "التصفية التعاونية القائمة على المرشح الرسومي" (GF-CF). وبمجرد توفر مصفوفة التغذية الراجعة الضمنية، يمكن الحصول على GF-CF بشكل مغلق (بصيغة تحليلية) بدلًا من التدريب المكلف باستخدام التغذية العكسية (back-propagation). وستُظهر التجارب أن GF-CF يحقق أداءً تنافسيًا أو أفضل مقارنة بالطرق القائمة على التعلم العميق على ثلاث مجموعات بيانات معروفة، مع ميزة أداء تصل إلى 70٪ مقارنة بـ LightGCN على مجموعة بيانات Amazon-book.