사용자와 항목의 벡터 표현(즉, 임베딩)은 현대 추천 시스템의 핵심을 이루고 있습니다. 초기 행렬 분해부터 최근에 등장한 딥 러닝 기반 방법까지, 기존의 노력들은 일반적으로 사용자의 (또는 항목의) 임베딩을 사용자를 (또는 항목을) 설명하는 사전 존재하는 특성들, 예를 들어 ID와 속성들로부터 매핑하여 얻습니다. 우리는 이러한 방법들이 임베딩 과정에서 사용자-항목 상호작용에 내재된 협업 신호를 인코딩하지 않는다는 본질적인 단점을 가지고 있다고 주장합니다. 따라서 결과로 얻어진 임베딩이 협업 필터링 효과를 충분히 포착하지 못할 수 있습니다.본 연구에서는 사용자-항목 상호작용, 특히 이분 그래프 구조를 임베딩 과정에 통합하는 것을 제안합니다. 우리는 사용자-항목 그래프 구조를 활용하여 그래프 위에서 임베딩을 전파시키는 Neural Graph Collaborative Filtering (NGCF)라는 새로운 추천 프레임워크를 개발하였습니다. 이는 사용자-항목 그래프에서 고차 연결성을 표현력 있게 모델링하며, 명시적으로 협업 신호를 임베딩 과정에 주입합니다. 우리는 세 가지 공개 벤치마크에서 광범위한 실험을 수행하였으며, HOP-Rec 및 Collaborative Memory Network 등의 최신 모델들보다 유의미한 향상을 보였음을 입증하였습니다. 추가 분석을 통해 더 나은 사용자와 항목 표현을 학습하기 위한 임베딩 전파의 중요성을 확인하였으며, NGCF의 타당성과 효과성을 검증하였습니다. 코드는 https://github.com/xiangwang1223/neural_graph_collaborative_filtering 에서 제공됩니다.