ユーザーとアイテムのベクトル表現（いわゆる埋め込み）は、現代の推薦システムの中心的な部分を占めています。初期の行列分解から最近登場した深層学習に基づく手法まで、既存の努力は通常、ユーザー（またはアイテム）の埋め込みを、ユーザー（またはアイテム）を説明する事前に存在する特徴量（IDや属性など）からマッピングすることで取得しています。私たちは、このような方法には固有の欠点があると考えています。つまり、ユーザー-アイテム相互作用に潜在している協調信号が、埋め込みプロセスにエンコードされていないことです。そのため、得られた埋め込みは協調フィルタリング効果を十分に捉えるのに十分ではない可能性があります。本研究では、ユーザー-アイテム相互作用——より具体的には二部グラフ構造——を埋め込みプロセスに統合することを提案します。私たちは新しい推薦フレームワークであるNeural Graph Collaborative Filtering (NGCF)を開発しました。このフレームワークは、グラフ上の埋め込み伝播によってユーザー-アイテムグラフ構造を利用します。これにより、ユーザー-アイテムグラフにおける高次連結性を表現力豊かにモデル化し、協調信号を明示的に埋め込みプロセスに注入することができます。私たちは3つの公開ベンチマークデータセットで広範な実験を行い、HOP-RecやCollaborative Memory Networkなどの最先端モデルに対して有意な改善が見られることを示しました。さらに分析を行った結果、より良いユーザーとアイテム表現を学習するために埋め込み伝播の重要性が確認され、NGCFの合理性と効果性が証明されました。コードは以下のURLで入手可能です: https://github.com/xiangwang1223/neural_graph_collaborative_filtering.