二部图表示学习 | Graph Convolutional Matrix Completion

作者： 浅梦的学习笔记

“ 本系列主要介绍图表示学习在推荐系统中常见的 user-item interaction 数据上的建模。我们可以将 user-item interaction data 看做是关于 user-item 的二分图 Bipartite，这样可以基于 GNN 的方法进行 user 和 item embedding 的学习。本篇介绍来自 KDD18 的工作 GCMC：Graph Convolutional Matrix Completion。”

文章来源：蘑菇先生 http://xtf615.com/2020/02/13/Representation-Learning-on-Bipartite-Graphs/

主要介绍两篇文章，如下：

• KDD2018，GCMC：Graph Convolutional Matrix Completion，在 movie-len 上的 state of the art 模型。

• SIGIR2019，NGCF：Neural Graph Collaborative Filtering，据我所知应该是首次提出图协同过滤的概念。

本文介绍第一篇 GCMC。

Graph Convolutional Matrix Completion

KDD2018: Graph Convolutional Matrix Completion

Introduction

这是一篇发表在 KDD2018（二作 T.N.Kipf 是著名的 GCN 的一作）的文章。将矩阵补全问题看做是关于 user-item 二分图的链接预测问题（a bipartite user-item graph with labeled edges），每种链接边可以看做是一种 label（例如多种交互行为：点击，收藏，喜欢，下载等；在评分中，1~5 分可以分别看做一种 label）。有点像 multi-view bipartite graph。作者提出了一个差异化信息传递(differentiable message passing)的概念，通过在 bipartite interaction graph 上进行差异化信息传递来学习结点的嵌入，再通过一个 bilinear decoder 进行链接预测。

• 本文地址：二部图表示学习 | Graph Convolutional Matrix Completion
• 本文版权归作者和AIQ共有，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面明显位置给出

Formulation

Models

Graph convolutional encoder

Bilinear decoder

Model Training

Side Information

Summary

Summary

关于图二分图的挖掘，是推荐系统中的核心问题之一。传统的图表示学习直接对二部图进行挖掘是有问题的。个人认为传统的 graph embedding 在建模时实际上很依赖于 graph 的手动构造，连边权重的合理设置，且没有把二分图中的 collaborative signals 直接建模到结点的 embedding 表示中，而只是通过目标函数来间接引导。而二分图的构建是基于原始数据的，没有连边权重，且数据过于稀疏，蕴含在二分图中的协同信息是非常隐晦的和难以挖掘的，故传统的图表示学习方法很难处理。本文章中介绍工作基于 message passing 范式的 GNN 来挖掘二分图，将 collaborative signals 直接建模到 embedding 中，这是非常值得借鉴的。另外，文章的实现在 GitHub 都有源码，且代码风格都不错，值得学习和实践。

References

• KDD2018，GCMC：Graph Convolutional Matrix Completion(https://www.kdd.org/kdd2018/files/deep-learning-day/DLDay18_paper_32.pdf)

• Github, GCMC, Source Code(https://github.com/riannevdberg/gc-mc)