Wie leistungsfähig ist Graph Convolution für Empfehlungen?

Graphenkonvolutionale Netze (Graph Convolutional Networks, GCNs) haben kürzlich eine populäre Klasse von Algorithmen für kollaboratives Filtern (Collaborative Filtering, CF) ermöglicht. Dennoch bleiben die theoretischen Grundlagen ihres empirischen Erfolgs bisher unklar. In diesem Paper bemühen wir uns, ein tieferes Verständnis von GCN-basierten CF-Methoden durch die Perspektive der Graphensignalverarbeitung zu erlangen. Indem wir die entscheidende Rolle der Glätte – einem zentralen Konzept in der Graphensignalverarbeitung – identifizieren, entwickeln wir einen einheitlichen, auf Graphenkonvolutionen basierenden Rahmen für CF. Wir zeigen, dass zahlreiche bestehende CF-Methoden Spezialfälle dieses Rahmens sind, darunter neighborhood-basierte Methoden, Low-Rank-Matrixfaktorisierung, lineare Autoencoder sowie LightGCN, die jeweils unterschiedlichen Tiefpassfiltern entsprechen. Aufbauend auf diesem Rahmen präsentieren wir anschließend eine einfache und recheneffiziente CF-Benchmark-Methode, die wir Graph Filter-basiertes Kollaboratives Filtern (GF-CF) nennen. Gegeben eine implizite Feedback-Matrix lässt sich GF-CF in abgeschlossener Form berechnen, ohne teure Trainingsprozesse mittels Rückpropagation. Experimente zeigen, dass GF-CF auf drei bekannten Datensätzen konkurrenzfähige oder sogar bessere Leistung als tiefenlernbasierte Methoden erzielt, wobei insbesondere eine Verbesserung um 70 % gegenüber LightGCN auf dem Amazon-Book-Datensatz erzielt wird.