【GNN】GCMC：GNN 在推荐系统中的应用

今天学习的是 KDD18 的一篇论文《Graph Convolutional Matrix Completion》，作者是阿姆斯特大学的同学，Thomas N. Kipf 大佬是二作。

前面我们介绍了 Kipf 大佬利用变分自编码器（VGAE）来完成链接预测问题，链接预测问题放在矩阵中可以被认为是矩阵补全。这篇论文在 VGAE 的基础上提出了 GCMC 模型，设计了一个可微的基于消息传递的图自编码框架进行矩阵补全（matrix completion），同时考虑边信息和网络结构，并分析了边信息在推荐系统冷启动的影响。

1.Introduction

先简单介绍下二部图（bipartite graph）。

二部图是一种特殊的图结构，所有的顶点可以被分割为两个互不相交的子集（U，V），并且每条边 $e_{ij}$ 所关联的顶点 $i,j$ 分别属于这两个不同的顶点集合 $(i\in U,j\in V)$。

二部图的应用非常广泛，比如说电影推荐这样的交互数据则可以用一个二部图来表示（user-movie），图的边则是用户对电影的评分，此时的矩阵补全就是预测用户的观看后的评分。

作者在这篇论文中提出的 GCMC 框架是一种对矩阵进行补全的图自编码框架，其利用 user 和 item 的交互信息生成 user 和 item 之间的隐特征，并通过双线性解码器来重建 user 和 item 之间的链接。

这篇论文的主要贡献主要有两点：

1. 将 GNN 应用于带有 side information 的矩阵补全任务中，并证明基于消息传递的模型比之前的复杂模型具有更好的性能；
2. 引入了 Dropout 正则化技术：以一定概率删除单个节点的所有传出消息。

2.GCMC

下图为 GCMC 的基本流程，在二部图的矩阵补全任务转换成比链接预测问题，并使用端到端的图自编码器进行建模：

2.1 Graph convolutional encoder

首先来看编码器。

本文针对推荐任务提出了图卷积编码器，其能够有效的利用卷积操作的权值共享。图数据的局部卷积操作只考虑节点的直接邻居，因此可以应用于图数据中的所有位置。

我们也知道，局部图卷积可以看作是一种消息传递，节点的特征值沿着边进行传递和转换。作者设计了一种基于评分等级的转换，从 item j 到 user i 的信息传递被定义为：
$${\mu }_{j\to i,r}=\frac{1}{c_{ij}}{W}_r{x}_j^v$$
其中，$c_{ij}$ 为正则化常数，可以为左正则化 $|N(u_i|$ 也可以为对称正则化 $\sqrt{|N(u_i)||N(u_j)|}$。$N(u_i)$ 表示 user i 的邻居集合；$W_r$ 为基于边类型（评分等级）的参数矩阵；$x_j^v$ 表示 item j 的特征向量。

从 user 到 item 的消息传递也可以采用类似的方式，这个过程称为图卷积层。

在消息传递完成之后，每一个节点都会对消息进行累积操作：
$$h^{}$$