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。

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)