Turbo-CF : Filtrage de graphe sans décomposition matricielle pour une recommandation rapide

Une série de méthodes de filtrage de graphes (GF) basées sur le filtrage collaboratif (CF) atteint des performances de pointe en précision de recommandation en utilisant un filtre passe-bas (LPF) sans processus d’apprentissage. Toutefois, les approches conventionnelles de CF basées sur le GF effectuent principalement une décomposition matricielle sur le graphe de similarité entre objets afin d’obtenir un LPF idéal, ce qui entraîne un coût computationnel non négligeable et limite leur praticabilité dans des scénarios exigeant des recommandations rapides. Dans cet article, nous proposons Turbo-CF, une méthode de CF basée sur le GF qui est à la fois sans apprentissage et sans décomposition matricielle. Turbo-CF utilise un filtre polynomial sur graphe pour contourner le problème des décompositions matricielles coûteuses, permettant ainsi une exploitation optimale des composants matériels modernes (notamment les GPU). Plus précisément, Turbo-CF construit d’abord un graphe de similarité entre objets dont les poids d’arêtes sont efficacement régulés. Ensuite, nous concevons des filtres LPF polynomiaux propres afin de préserver uniquement les signaux à basse fréquence, sans recourir à des décompositions matricielles explicites. Nous démontrons que Turbo-CF est à la fois extrêmement rapide et précis, atteignant un temps d’exécution inférieur à une seconde sur des jeux de données réels, tout en obtenant une précision de recommandation comparable aux meilleurs concurrents.