추천 시스템은 행렬에서 비어있는 값을 예측하여 채워넣는 행렬 완성 문제로 간주할 수 있습니다. 행렬 완성 문제를 해결하기 위한 알고리즘은 변환적 추론과 귀납적 추론 두 가지 유형으로 분류됩니다. 행렬 완성 문제의 대표적인 행렬 인수 분해는 본질적으로 변환적이며, 대부분의 알고리즘 역시 변환적 방식을 사용합니다. 변환적 추론에서는 일반화 모델이 생성되지 않습니다. 따라서 새로운 사례가 들어오면 이를 예측하기 위한 학습과정을 다시 거쳐야 합니다. 반면, 선행 모델 중 IGMC는 다른 부가정보 없이 대상 사용자와 항목에 대한 하위 그래프를 추출하여 그래프 신경망으로 학습하는 귀납 그래프 모델을 제안합니다.
부가 정보를 사용하지 않으면 모델의 단순성 및 새로운 작업으로의 전이성에 있어 몇 가지 이점을 얻을 수 있습니다. 그러나 부가 정보의 적절한 활용은 모델의 성능 향상에 큰 도움을 줍니다. 따라서 본 논문에서는 이러한 부가 정보의 가능성에 초점을 맞추고 사용자와 항목뿐만 아니라 부가정보까지 고려하는 하이브리드 버전의 IGMC 모델 Hi-GMC를 제안합니다. Hi-GMC는 사용자 및 항목과 관련된 부가 정보를 일반화하여 그래프를 구축하며 이를 그래프 신경망을 기반으로 학습한 그래프 모델입니다. 이는 이전의 귀납적 알고리즘 뿐만 아니라 모든 추천 알고리즘과 비교하여 MovieLens-100K 데이터 세트에서 최고 수준의 성능을 보여줍니다.