Complétion de matrice par convolution graphique

Nous abordons le problème de l'achèvement de matrice pour les systèmes de recommandation sous l'angle de la prédiction de liens dans les graphes. Les données d'interaction, telles que les notes de films, peuvent être représentées par un graphe biparti utilisateur-élément avec des arêtes étiquetées indiquant les notes observées. En nous appuyant sur les récentes avancées en apprentissage profond sur des données structurées en graphe, nous proposons un cadre d'auto-encodeur graphique basé sur une diffusion de messages différentiable sur le graphe d'interaction biparti. Notre modèle montre des performances compétitives sur des benchmarks standards de filtrage collaboratif. Dans les configurations où des informations complémentaires sur les caractéristiques ou des données structurées comme un réseau social sont disponibles, notre cadre surpassent les méthodes les plus récentes et performantes.Note: - "Matrix completion" est traduit par "achèvement de matrice".- "Recommender systems" est traduit par "systèmes de recommandation".- "Link prediction on graphs" est traduit par "prédiction de liens dans les graphes".- "Bipartite user-item graph" est traduit par "graphe biparti utilisateur-élément".- "Differentiable message passing" est traduit par "diffusion de messages différentiable".- "Graph auto-encoder framework" est traduit par "cadre d'auto-encodeur graphique".- "Collaborative filtering benchmarks" est traduit par "benchmarks standards de filtrage collaboratif".