Complétion de Matrice Inductive Basée sur les Réseaux Neuraux Graphiques

Nous proposons un modèle de complétion matricielle inductif sans utiliser d'informations latérales. En décomposant la matrice (des notes) en le produit de plongements latents de faible dimension des lignes (utilisateurs) et des colonnes (éléments), la majorité des méthodes actuelles de complétion matricielle sont transductives, car les plongements appris ne peuvent pas être généralisés à des lignes/colonnes non observées ou à de nouvelles matrices. Pour rendre la complétion matricielle inductive, la plupart des travaux précédents utilisent du contenu (informations latérales), comme l'âge de l'utilisateur ou le genre du film, pour faire des prédictions. Cependant, un contenu de haute qualité n'est pas toujours disponible et peut être difficile à extraire. Dans le cadre extrême où aucune information latérale n'est disponible hormis la matrice à compléter, pouvons-nous encore apprendre un modèle de complétion matricielle inductif ? Dans cet article, nous proposons un modèle de Complétion Matricielle Basée sur les Graphes Inductifs (IGMC) pour résoudre ce problème. L'IGMC entraîne un réseau neuronal graphique (GNN) uniquement sur des sous-graphes 1-hop autour des paires (utilisateur, élément) générées à partir de la matrice des notes et mappe ces sous-graphes à leurs notes correspondantes. Il atteint une performance hautement compétitive avec les méthodes transductives les plus récentes. De plus, l'IGMC est inductif -- il peut se généraliser aux utilisateurs/éléments non vus lors de l'entraînement (à condition que leurs interactions existent), et peut même être transféré à de nouvelles tâches. Nos expériences d'apprentissage par transfert montrent qu'un modèle formé sur le jeu de données MovieLens peut être utilisé directement pour prédire les notes Douban avec une performance étonnamment bonne. Notre travail démontre que : 1) il est possible d'entraîner des modèles de complétion matricielle inductifs sans utiliser d'informations latérales tout en obtenant des performances similaires ou meilleures que celles des méthodes transductives les plus récentes ; 2) les motifs locaux du graphe autour d'une paire (utilisateur, élément) sont efficaces pour prédire la note que cet utilisateur donnera à l'élément ; et 3) les dépendances à long terme pourraient ne pas être nécessaires pour modéliser les systèmes de recommandation.