Induktive Matrix-Vervollständigung auf Basis von Graph-Neuralen Netzen

Wir schlagen ein induktives Matrix-Vervollständigungsmodell vor, das ohne die Verwendung von Nebeninformationen arbeitet. Durch die Faktorisierung der (Bewertungs-)Matrix in das Produkt niedrigdimensionaler latenter Einbettungen der Zeilen (Benutzer) und Spalten (Elemente) sind die meisten existierenden Matrix-Vervollständigungsverfahren transduktiv, da die gelernten Einbettungen sich nicht auf unbekannte Zeilen/Spalten oder neue Matrizen verallgemeinern lassen. Um die Matrix-Vervollständigung induktiv zu gestalten, verwenden die meisten früheren Arbeiten Inhalte (Nebeninformationen), wie das Alter des Benutzers oder den Genre des Films, um Vorhersagen zu treffen. Allerdings ist hochwertiger Inhalt nicht immer verfügbar und kann schwer zu extrahieren sein. Unter der extremen Bedingung, dass keine Nebeninformationen außer der zu vervollständigenden Matrix zur Verfügung stehen, können wir dann immer noch ein induktives Matrix-Vervollständigungsmodell lernen? In dieser Arbeit schlagen wir ein induktives graphbasiertes Matrix-Vervollständigungsmodell (Inductive Graph-based Matrix Completion, IGMC) vor, um dieses Problem zu lösen. IGMC trainiert ein graphbasiertes neuronales Netzwerk (Graph Neural Network, GNN) ausschließlich auf 1-Hop-Untergraphen um (Benutzer, Element)-Paare herum, die aus der Bewertungsmatrix generiert werden, und ordnet diese Untergraphen ihren entsprechenden Bewertungen zu. Es erzielt eine sehr wettbewerbsfähige Leistung im Vergleich mit den besten transduktiven Baseline-Verfahren. Zudem ist IGMC induktiv – es kann sich auf Benutzer/Elemente verallgemeinern, die während des Trainings nicht gesehen wurden (vorausgesetzt, ihre Interaktionen existieren), und kann sogar auf neue Aufgaben übertragen werden. Unsere Transfer-Lernexperimente zeigen, dass ein Modell, das anhand des MovieLens-Datensatzes trainiert wurde, direkt verwendet werden kann, um Douban-Filmbewertungen mit überraschend guter Leistung vorherzusagen. Unsere Arbeit demonstriert: 1) Es ist möglich, induktive Matrix-Vervollständigungsmodelle ohne die Verwendung von Nebeninformationen zu trainieren und dabei ähnliche oder bessere Leistungen als die besten transduktiven Methoden zu erzielen; 2) lokale Graphmuster um ein (Benutzer, Element)-Paar herum sind effektive Prädiktoren für die Bewertung, die dieser Benutzer dem Element gibt; und 3) Langstreckenzusammenhänge könnten für das Modellieren von Empfehlungssystemen nicht notwendig sein.