Embedding of Bipartite Graphs Via Graph Neural Networks with Application to User-Item Recommendations

Grafos codificam a estrutura definida por uma relação entre um conjunto de objetos, representando uma informação importante para analisar problemas onde a estrutura e características associadas aos objetos fazem parte do fenômeno que se deseja entender ou prever. Uma classe de problemas na qual a utilização da estrutura é fundamental é o desenvolvimento de sistemas de recomendação, como recomendação de produtos para usuários em sistemas de comércio eletrônico. Nesses sistemas, uma rede bipartida pode ser construída na qual os objetos representam os usuários e itens e as arestas relações como compra, visualização ou afins. A representação de redes e objetos em espaço vetorial vem sendo utilizada com sucesso em muitas aplicações, incluindo no contexto de sistemas de recomendação. Entretanto, a maior parte das técnicas empregadas em sistemas de recomendação utilizam metodologias que consideram apenas atributos estruturais ou intrínsecos dos vértices e arestas, de maneira apartada. Essa dissertação propõe uma metodologia de representação para redes bipartidas utilizando redes neurais de grafos que é capaz de sintetizar a estrutura da rede e os atributos dos vértices. A arquitetura de rede neural de grafos proposta tem como objetivo representar vértices no espaço vetorial de maneira a maximizar a distância entre vértices de diferentes grupos e minimizar a distância entre membros do mesmo grupo. Ainda, métricas e metodologias para avaliação do desempenho de modelos de redes neurais de grafos na tarefa de clusterização em rede bipartidas são propostas. A arquitetura proposta é avaliada em diferentes cenários e seus resultados são discutidos, bem como suas vantagens e limitações encontradas.