Filtrage collaboratif basé sur les graphes neuronaux
L'apprentissage de représentations vectorielles (aussi appelées plongements ou embeddings) des utilisateurs et des éléments est au cœur des systèmes de recommandation modernes. Allant des premières méthodes de factorisation matricielle aux récentes approches basées sur l'apprentissage profond, les efforts existants obtiennent généralement le plongement d'un utilisateur (ou d'un élément) en mappant à partir de caractéristiques pré-existantes qui décrivent l'utilisateur (ou l'élément), telles que l'ID et les attributs. Nous soutenons qu'un inconvénient inhérent de ces méthodes est que le signal collaboratif, qui est latent dans les interactions utilisateur-élément, n'est pas encodé dans le processus de plongement. Par conséquent, les plongements résultants peuvent ne pas être suffisamment précis pour capturer l'effet de filtrage collaboratif.Dans cette étude, nous proposons d'intégrer les interactions utilisateur-élément – plus précisément la structure du graphe biparti – dans le processus de plongement. Nous développons un nouveau cadre de recommandation appelé Neural Graph Collaborative Filtering (NGCF), qui exploite la structure du graphe utilisateur-élément en propageant les plongements sur ce graphe. Cela permet une modélisation expressive de la connectivité d'ordre supérieur dans le graphe utilisateur-élément, injectant efficacement le signal collaboratif dans le processus de plongement d'une manière explicite. Nous menons des expériences approfondies sur trois jeux de données benchmark publics, démontrant des améliorations significatives par rapport à plusieurs modèles de pointe tels que HOP-Rec et Collaborative Memory Network. Une analyse supplémentaire vérifie l'importance de la propagation des plongements pour apprendre des représentations d'utilisateurs et d'éléments plus précises, justifiant ainsi la rationalité et l'efficacité de NGCF. Les codes sont disponibles à l'adresse suivante : https://github.com/xiangwang1223/neural_graph_collaborative_filtering.