要約
行列補完モデルは、推薦システムの最も一般的な表現形式の一つです。最近の研究では、ユーザー間やアイテム間のペアワイズ関係をグラフとして導入し、これらのグラフに平滑性の事前分布を課すことによって、これらの技術の性能が向上することが示されています。しかし、このような手法はユーザー/アイテムグラフの局所定常構造を十分に活用しておらず、学習すべきパラメータ数はユーザー数とアイテム数に対して線形となっています。本稿では、これらの制約を克服するために、グラフ上の幾何学的深層学習を使用する新しい手法を提案します。我々の行列補完アーキテクチャは、グラフ畳み込みニューラルネットワーク（GCN）と再帰型ニューラルネットワーク（RNN）を組み合わせて、統計的に意味のあるグラフ構造パターンと既知の評価値を生成する非線形拡散過程を学習します。このニューラルネットワークシステムは、行列サイズに関わらず一定数のパラメータのみが必要となります。我々は合成データセットおよび実際のデータセットに対して本手法を適用し、それが最先端技術よりも優れていることを示しています。