[论文解读] Graph Convolutional Matrix Completion

Rianne van den Berg, Thomas Kipf+1 more|arXiv (Cornell University)|Jun 7, 2017

Advanced Graph Neural Networks参考文献 23被引用 1,102

一句话总结

GC-MC 提出一种用于矩阵补全的图自编码器，通过对双分图用户-物品交互图进行图卷积并使用双线性预测解码，在侧信息条件下达到与最先进方法相当的结果。

ABSTRACT

We consider matrix completion for recommender systems from the point of view of link prediction on graphs. Interaction data such as movie ratings can be represented by a bipartite user-item graph with labeled edges denoting observed ratings. Building on recent progress in deep learning on graph-structured data, we propose a graph auto-encoder framework based on differentiable message passing on the bipartite interaction graph. Our model shows competitive performance on standard collaborative filtering benchmarks. In settings where complimentary feature information or structured data such as a social network is available, our framework outperforms recent state-of-the-art methods.

研究动机与目标

• 将矩阵补全作为在二部图（用户-物品图）上的链接预测来建模。
• 开发一个端到端的图自编码器，包含图卷积编码器和双线性解码器。
• 引入侧信息（例如社交图、特征）以提升冷启动以及整体性能。
• 通过高效向量化实现和小批量训练来证明可扩展性。

提出的方法

• 通过带有针对每个评分等级的边类型特定消息的图卷积编码器来构建用户和物品嵌入。
• 跨所有邻居和边类型聚合消息以形成最终的用户/物品嵌入。
• 使用双线性解码器对评分进行解码，将每个评分等级视为一个单独的类别，并使用softmax来预测 p(M_ij = r)。
• 通过对观测评分的负对数似然最小化进行训练，并对未观测条目使用掩码。
• 应用节点丢弃和标准丢弃进行正则化；使用小批量训练以扩展到大型数据集。

实验结果

研究问题

• RQ1 在二部用户-物品图上的图自编码器能否准确预测未观测的评分？
• RQ2 引入侧信息（特征或图）是否会提高预测性能，尤其是在冷启动场景？
• RQ3 在标准CF数据集上，图卷积编码与双线性解码相较于传统矩阵分解和自编码基线的表现如何？
• RQ4 该方法是否通过向量化稀疏运算和小批量训练对大规模数据集具备可扩展性？
• RQ5 不同归一化与聚合选项对性能的影响是多少？

主要发现

• GC-MC在标准CF基准上实现了有竞争力的RMSE，特别是在有侧信息时。
• 在ML-100K且有侧信息时，GC-MC明显优于相关方法。
• GC-MC可扩展到ML-1M和ML-10M，并仍与最先进的CF方法保持竞争力。
• 在Flixster、Douban和YahooMusic中使用侧信息可获得最先进的结果。
• 从学习的嵌入进行的简单非迭代评分重构在某些设置下能超过循环图方法。