摘要
我们提出了一种无需使用辅助信息的归纳矩阵补全模型。通过将（评分）矩阵分解为低维潜在嵌入向量的乘积，这些向量分别对应行（用户）和列（项目），现有的大多数矩阵补全方法都是转换性的，因为学习到的嵌入向量无法推广到未见过的行/列或新的矩阵。为了实现矩阵补全的归纳性，以往的大部分工作都利用了内容（辅助信息），例如用户的年龄或电影的类型，来进行预测。然而，高质量的内容并不总是可用的，并且提取起来可能很困难。在极端情况下，除了需要补全的矩阵之外没有任何辅助信息可用时，我们是否仍然可以学习一个归纳矩阵补全模型？在本文中，我们提出了一个基于图的归纳矩阵补全（Inductive Graph-based Matrix Completion, IGMC）模型来解决这一问题。IGMC仅基于从评分矩阵生成的（用户，项目）对周围的1跳子图训练一个图神经网络（Graph Neural Network, GNN），并将这些子图映射到相应的评分上。该模型在性能上与最先进的转换性基线方法具有高度竞争力。此外，IGMC是归纳性的——它可以推广到训练过程中未见过的用户/项目（前提是它们存在交互关系），甚至可以迁移到新任务中。我们的迁移学习实验表明，从MovieLens数据集训练出的模型可以直接用于预测豆瓣电影评分，并表现出令人惊讶的良好性能。我们的研究展示了以下几点：1) 在不使用辅助信息的情况下训练归纳矩阵补全模型是可行的，并且其性能可与最先进的转换性方法相媲美或更好；2) （用户，项目）对周围的局部图模式是有效预测该用户对项目的评分；3) 长距离依赖关系可能不是建模推荐系统所必需的。