摘要
矩阵补全模型是推荐系统中最常见的表示形式之一。近期的研究表明，通过引入用户/项目之间的成对关系（以图的形式），并在这些图上施加平滑先验，可以显著提升这些技术的性能。然而，这类方法未能充分利用用户/项目图的局部平稳性结构，并且需要学习的参数数量与用户和项目的数量呈线性关系。我们提出了一种新颖的方法，通过在图上应用几何深度学习来克服这些限制。我们的矩阵补全架构结合了图卷积神经网络和递归神经网络，以学习有意义的统计图结构模式以及生成已知评分的非线性扩散过程。该神经网络系统所需的参数数量与矩阵大小无关，为常数级。我们在合成数据集和真实数据集上应用了该方法，结果表明其性能优于现有最先进的技术。