Quelle est la puissance de la convolution de graphe pour la recommandation ?

Les réseaux de convolution graphique (GCN) ont récemment permis de développer une classe populaire d’algorithmes de filtrage collaboratif (CF). Toutefois, les fondements théoriques de leurs succès empiriques demeurent encore mal compris. Dans cet article, nous cherchons à mieux comprendre les méthodes de filtrage collaboratif fondées sur les GCN à travers le prisme du traitement des signaux sur graphe. En mettant en évidence le rôle central de la notion de « lissité », un concept clé du traitement des signaux sur graphe, nous proposons un cadre unifié basé sur la convolution graphique pour le CF. Nous démontrons que de nombreuses méthodes de CF existantes sont des cas particuliers de ce cadre, notamment les méthodes basées sur les voisins, la factorisation matricielle de faible rang, les auto-encodeurs linéaires et LightGCN, chacune correspondant à un filtre passe-bas différent. À partir de ce cadre, nous introduisons ensuite une méthode de base de filtrage collaboratif simple et efficace sur le plan computationnel, que nous appelons Graph Filter based Collaborative Filtering (GF-CF). Étant donné une matrice de feedback implicite, GF-CF peut être obtenue sous forme fermée, sans nécessiter d’entraînement coûteux par rétropropagation. Les expériences montrent que GF-CF atteint des performances compétitives, voire supérieures, par rapport aux méthodes basées sur l’apprentissage profond sur trois jeux de données bien connus, notamment avec une amélioration de performance de 70 % par rapport à LightGCN sur le jeu de données Amazon-book.