グラフオートエンコーダを用いた誘導型行列補完

最近、グラフニューラルネットワーク（GNN）は、評価行列を二部グラフとして定式化し、対応するユーザーとアイテムノード間のリンクを予測することで、行列補完において大きな力を発揮している。多数のGNNベースの行列補完手法は、グラフオートエンコーダー（GAE）に基づいている。これらの手法では、ワンホット表現のインデックスを入力とし、ユーザー（またはアイテム）のインデックスを学習可能な埋め込みにマッピングした後、GNNを用いてこれらの学習可能な埋め込みに基づいてノード固有の表現を学習し、最終的にターゲットユーザーとその対応するアイテムノードの表現を統合して欠損リンクを予測する。しかし、訓練にノードのコンテンツ（すなわち補助情報）が存在しない場合、インダクティブな設定においてユーザー（またはアイテム）固有の表現を学習することは不可能である。つまり、あるユーザー群（またはアイテム群）で訓練されたモデルは、新しいユーザー（またはアイテム）に適応できない。この課題に対応するため、本研究ではGAEを用いたインダクティブ行列補完手法（IMC-GAE）を提案する。本手法は、GAEを用いてユーザー固有（またはアイテム固有）の表現を学習してパーソナライズされた推薦を実現するとともに、局所的なグラフパターンを学習し、インダクティブな行列補完を可能にする。具体的には、2種類の情報量豊かなノード特徴を設計し、GAEにおいてレイヤーごとのノードドロップアウトスキームを採用することで、未観測データにも一般化可能な局所的なグラフパターンを学習する。本研究の主な貢献は、従来のGNNベースの行列補完手法と比較して、高いスケーラビリティと優れた表現力を持つGAEにおいて、効率的に局所的なグラフパターンを学習できる点にある。さらに、多数の実験により、本モデルが複数の行列補完ベンチマークにおいて最先端の性能を達成することを示した。本研究の公式コードは公開されている。