私たちはサイド情報（補助情報）を使用せずに帰納的な行列補完モデルを提案します。既存の多くの行列補完手法は、行（ユーザー）と列（アイテム）の低次元潜在埋め込みの積に行列（評価行列）を分解することにより、推移的であるため、学習された埋め込みは未見の行や列、新しい行列には一般化できません。行列補完を帰納的にするためには、これまでの多くの研究ではユーザの年齢や映画のジャンルなどのコンテンツ（サイド情報）を使用して予測を行ってきました。しかし、高品質なコンテンツが常に利用可能とは限らず、抽出も困難な場合があります。評価行列以外に何らかのサイド情報が利用できない極端な状況下でも、帰納的な行列補完モデルを学習することは可能でしょうか？本論文では、この問題に対処するために帰納的グラフベース行列補完 (Inductive Graph-based Matrix Completion: IGMC) モデルを提案します。IGMCは評価行列から生成される (ユーザー, アイテム) ペア周辺の1ホップ部分グラフに基づいてグラフニューラルネットワーク (GNN) を訓練し、これらの部分グラフを対応する評価にマッピングします。これは最先端の推移的基線モデルと競合する高い性能を達成しています。さらに、IGMCは帰納的であり、訓練中に未見だったユーザーまたはアイテムにも一般化できます（ただし、それらの相互作用が存在する前提）。また、新しいタスクへの転移も可能です。私たちの転移学習実験では、MovieLensデータセットから訓練されたモデルが直接豆瓣映画評価を予測し、驚くほど良い性能を示すことが確認されました。私たちの研究は以下の点を示しています：1. サイド情報を使用せずに帰納的な行列補完モデルを訓練することが可能であり、その性能は最先端の推移的方法と同等かそれ以上である；2. (ユーザー, アイテム) ペア周辺の局所的なグラフパターンは、そのユーザーがアイテムに与える評価を効果的に予測できる；3. 推薦システムモデリングにおいて長距離依存関係が必要ではない可能性がある。注：「豆瓣」は中国の大手レビューサイトで、「Douban」と表記されます。