In this work, we study the utility of graph embeddings to generate latent user representations for trust-based collaborative filtering. In a cold-start setting, on three publicly available datasets, we evaluate approaches from four method families: (i) factorization-based, (ii) random walk-based, (iii) deep learning-based, and (iv) the Large-scale Information Network Embedding (LINE) approach. We find that across the four families, random-walk-based approaches consistently achieve the best accuracy. Besides, they result in highly novel and diverse recommendations. Furthermore, our results show that the use of graph embeddings in trust-based collaborative filtering significantly improves user coverage.

中文翻译：

---

基于信任的协同过滤图嵌入的实证比较

在这项工作中，我们研究了图嵌入的效用，以生成用于基于信任的协同过滤的潜在用户表示。在冷启动环境中，在三个公开可用的数据集上，我们评估来自四个方法系列的方法：（i）基于分解，（ii）基于随机游走，（iii）基于深度学习，以及（iv）大型-scale 信息网络嵌入 (LINE) 方法。我们发现，在这四个系列中，基于随机游走的方法始终能达到最佳准确度。此外，它们会产生高度新颖和多样化的建议。此外，我们的结果表明，在基于信任的协同过滤中使用图嵌入显着提高了用户覆盖率。