우리는 부가 정보(side information)를 사용하지 않는 귀납적 행렬 완성 모델을 제안합니다. 행(사용자)과 열(아이템)의 저차원 잠재 임베딩의 곱으로 (평가) 행렬을 분해함으로써, 기존의 대부분의 행렬 완성 방법들은 학습된 임베딩이 미처 보지 못한 행/열 또는 새로운 행렬에 일반화할 수 없기 때문에 전이적(transductive)입니다. 귀납적인 행렬 완성을 위해, 대부분의 이전 연구에서는 사용자의 나이나 영화의 장르와 같은 콘텐츠(부가 정보)를 사용하여 예측을 수행하였습니다. 그러나 고품질 콘텐츠는 항상 이용 가능하지 않으며, 추출하기 어려울 수 있습니다. 평가 행렬 외에 어떠한 부가 정보도 제공되지 않는 극단적인 상황에서 여전히 귀납적인 행렬 완성 모델을 학습할 수 있을까요? 본 논문에서는 이러한 문제를 해결하기 위해 귀납적 그래프 기반 행렬 완성(Inductive Graph-based Matrix Completion, IGMC) 모델을 제안합니다. IGMC는 평가 행렬에서 생성된 (사용자, 아이템) 쌍 주변의 1-홉 서브그래프에만 기반하여 그래프 신경망(graph neural network, GNN)을 훈련시키고, 이러한 서브그래프들을 해당 평점으로 매핑합니다. 이 모델은 최신 전이적 베이스라인들과 비교하여 매우 경쟁력 있는 성능을 보여줍니다. 또한, IGMC는 귀납적이므로 훈련 중에 보지 못한 사용자/아이템에도 일반화할 수 있으며, 심지어 새로운 작업으로도 전환할 수 있습니다. 우리의 전이 학습 실험 결과는 MovieLens 데이터셋에서 훈련된 모델이 Douban 영화 평점을 직접 예측하는 데 있어 놀랍게도 좋은 성능을 보임을 입증하였습니다. 우리의 연구는 다음과 같은 점들을 시사합니다: 1) 부가 정보를 사용하지 않고도 최신 전이적 방법론과 유사하거나 더 나은 성능을 달성하면서 귀납적인 행렬 완성 모델을 학습할 수 있다는 것; 2) (사용자, 아이템) 쌍 주변의 로컬 그래프 패턴들이 해당 사용자가 아이템에 대해 주는 평점을 효과적으로 예측할 수 있다는 것; 그리고 3) 추천 시스템 모델링에는 장거리 의존성이 반드시 필요하지 않을 수 있다는 것입니다.