MGDCF：ニューラル協調フィルタリングをためのマルコフグラフ拡散による距離学習

近年、グラフニューラルネットワーク（GNN）は、ユーザーとアイテム間の歴史的相互作用に基づいてユーザーの好みを予測するための協調フィルタリング（CF）モデルの構築に活用されている。しかし、GNNを用いたCFモデルと従来のネットワーク表現学習（NRL）アプローチとの関係については、まだ十分に理解されていない。本論文では、最先端のGNNベースCFモデルの一部が、コンテキスト符号化に基づく従来の1層NRLモデルと等価であることを示す。2種類の距離をトレードオフするマルコフ過程に基づき、MGDCF（Markov Graph Diffusion Collaborative Filtering）を提案することで、いくつかの最先端GNNベースCFモデルを一般化する。GNNを学習可能なブラックボックスとして、学習可能なユーザー／アイテム頂点埋め込みを伝搬するものと捉えるのではなく、学習不可なマルコフ過程とみなし、従来のNRLモデルが全結合層でコンテキスト特徴を符号化する際に用いる定常的な頂点コンテキスト特徴を構築するものとして扱う。この簡略化により、GNNがCFモデルにどのように寄与しているかをより深く理解できる。特に、ランキング損失がGNNベースCFタスクにおいて重要な役割を果たしていることが明らかになる。本研究で提案するシンプルでありながら強力なランキング損失であるInfoBPRを用いることで、GNNによって構築されたコンテキスト特徴がなくても、NRLモデルは良好な性能を発揮することが示された。MGDCFの詳細な分析を行うための実験を実施した。