Graph Convolutional Matrix Completion

Graph Convolutional Matrix Completion

该篇文章提出了基于图卷积的矩阵补全方法。

图卷积编码器

文章提出了一种能为每种边的类型分配单独的处理过程（简而言之，不同类型的边，使用不同的权重矩阵）

1. 信息聚合

• 信息：对于中心节点$i$，他的邻居节点$j$传递过来的信息如下，
  $${\mu }_{j\to i,r}=\frac{2}{c_{i,j}}{W}_r{x}_j$$
  其中$c_{i,j}$表示一个归一化参数，可以用中心节点的邻居数量$|N_i|$表示。$W_r$表示评分特定参数矩阵，不同的评分边使用不同的权重矩阵。
• 聚合
  中心节点的所有邻居节点传递过来的信息如下表示
  $$h_i=\sigma [accum(\sum _{j\in N_{i,1}}{\mu }_{j\to i,1},...,\sum _{j\in N_{i,R}}{\mu }_{j\to i,R})]$$
  其中$accum(\ast )$表示聚合操作，可以使用Sum，Stack等等。
  最终的用户表示为$u_i$，使用权重W进行一个维度转换。
  $$u_i=\sigma (W{h}_i)$$
  商品的表示$v_j$同用户一致

预测

模型会预测用户$u_i$和$v_j$之间的各个评分的概率
$$p(\widetilde{M_{i,j}}=r)=\frac{e^{u_i^T{Q}_r{v}_j}}{{\sum }_{s\in R}{e}^{u_i^T{Q}_s{v}_j}}$$
其中$Q_r$表示在评分为r的权重矩阵。
公式解读：

• 分子表示用户ui对用户vj的可能性，分母是归一化参数。
  最后输出的评分是模型预测出来的分数的期望值。
  $${\tilde{M}}_{i,j}=g(u_i,v_j)=E_{p(\widetilde{M_{i,j}}=r)}[r]=\sum rp(\widetilde{M_{i,j}}=r)$$