Matrix completion is a classic problem underlying recommender systems. It is traditionally tackled with matrix factorization. Recently, deep learning based methods, especially graph neural networks, have made impressive progress on this problem. Despite their effectiveness, existing methods focus on modeling the user-item interaction graph. The inherent drawback of such methods is that their performance is bound to the density of the interactions, which is however usually of high sparsity. More importantly, for a cold start user/item that does not have any interactions, such methods are unable to learn the preference embedding of the user/item since there is no link to this user/item in the graph. In this work, we develop a novel framework Attribute Graph Neural Networks (AGNN) by exploiting the attribute graph rather than the commonly used interaction graph. This leads to the capability of learning embeddings for cold start users/items. Our AGNN can produce the preference embedding for a cold user/item by learning on the distribution of attributes with an extended variational auto-encoder structure. Moreover, we propose a new graph neural network variant, i.e., gated-GNN, to effectively aggregate various attributes of different modalities in a neighborhood. Empirical results on two real-world datasets demonstrate that our model yields significant improvements for cold start recommendations and outperforms or matches state-of-the-arts performance in the warm start scenario.

中文翻译：

---

用属性图神经网络解决推荐中的冷启动问题

矩阵补全是推荐系统底层的一个经典问题。传统上通过矩阵分解来解决。最近，基于深度学习的方法，尤其是图神经网络，在这个问题上取得了令人瞩目的进展。尽管它们很有效，但现有的方法侧重于对用户-项目交互图进行建模。这种方法的固有缺点是它们的性能与相互作用的密度有关，但通常是高度稀疏的。更重要的是，对于没有任何交互的冷启动用户/项目，此类方法无法学习用户/项目的偏好嵌入，因为图中没有指向该用户/项目的链接。在这项工作中，我们通过利用属性图而不是常用的交互图来开发一种新的框架属性图神经网络（AGNN）。这导致了为冷启动用户/项目学习嵌入的能力。我们的 AGNN 可以通过学习具有扩展变分自动编码器结构的属性分布来为冷用户/项目生成偏好嵌入。此外，我们提出了一种新的图神经网络变体，即门控 GNN，以有效地聚合邻域中不同模态的各种属性。两个真实世界数据集的实证结果表明，我们的模型对冷启动建议产生了显着改进，并且在热启动场景中优于或匹配了最先进的性能。这导致了为冷启动用户/项目学习嵌入的能力。我们的 AGNN 可以通过学习具有扩展变分自动编码器结构的属性分布来为冷用户/项目生成偏好嵌入。此外，我们提出了一种新的图神经网络变体，即门控 GNN，以有效地聚合邻域中不同模态的各种属性。两个真实世界数据集的实证结果表明，我们的模型对冷启动建议产生了显着改进，并且在热启动场景中优于或匹配了最先进的性能。这导致了为冷启动用户/项目学习嵌入的能力。我们的 AGNN 可以通过学习具有扩展变分自动编码器结构的属性分布来为冷用户/项目生成偏好嵌入。此外，我们提出了一种新的图神经网络变体，即门控 GNN，以有效地聚合邻域中不同模态的各种属性。两个真实世界数据集的实证结果表明，我们的模型对冷启动建议产生了显着改进，并且在热启动场景中优于或匹配了最先进的性能。我们提出了一种新的图神经网络变体，即门控 GNN，以有效地聚合邻域中不同模态的各种属性。两个真实世界数据集的实证结果表明，我们的模型对冷启动建议产生了显着改进，并且在热启动场景中优于或匹配了最先进的性能。我们提出了一种新的图神经网络变体，即门控 GNN，以有效地聚合邻域中不同模态的各种属性。两个真实世界数据集的实证结果表明，我们的模型对冷启动建议产生了显着改进，并且在热启动场景中优于或匹配了最先进的性能。