GCN-MF : Un réseau de neurones à convolution de graphes basé sur la factorisation de matrice pour la recommandation

Avec le développement croissant de la technologie de l'information et l'essor des grandes données, Internet est entré dans l'ère de la surcharge d'informations. Alors que les utilisateurs profitent de la commodité apportée par les grandes données dans leur vie quotidienne, ils font également face à de plus en plus de problèmes de filtrage et de sélection d'informations. Dans ce contexte, les systèmes de recommandation ont émergé, et les systèmes de recommandation existants ne peuvent pas traiter efficacement le problème de la sparsité des données. Par conséquent, cet article propose un réseau de neurones à convolution de graphes basé sur la factorisation de matrice pour la recommandation. La couche d'intégration utilise la factorisation de matrice au lieu de l'agrégation de voisinage, et la couche d'interaction utilise des réseaux de neurones multi-couches au lieu de simples produits internes. Enfin, sur les ensembles de données publics Movielens-1M, Yelp et Gowalla, les scores NDCG et Recall sont meilleurs que ceux du modèle de référence existant, ce qui atténue efficacement le problème de la sparsité des données.