《LR_GCCF》推荐系统模型解读

《LR_GCCF》

1.基于GCN推荐模型的问题：

1. 基于GCN的推荐模型带有非线性激活函数，所以在large user-item graphs中的模型训练起来非常困难。

2. 由于图卷积运算的过度平滑效应都不能太深，大多数基于GCN的模型无法对更深层次进行建模。

2.本文的优化：

1. 证明了去除非线性会提高推荐性能，在每一层的特征传播的时候，是使用简单的特征传播而不是非线性变换

2. 提出了一种残差网络结构，该结构是专门为CF设计的，具有用户项交互建模功能，可以缓解稀疏用户项交互数据的图卷积聚合操作中的过度平滑问题

LR-GCCF相较于现有的GCNs结构有两个优点：

1. 在每一层的特征传播的时候，是使用简单的特征传播而不是非线性变换

2. 为了预测用户对物品的喜好，使用了残差连接。GCCF表示一个很深的模型，但是是一个宽的线性模型。

线性特征含有以下几个好处：

1. LR-GCCF基于SGC模型，理论证明了这和一个低通过滤波器的效果一样。

2. 有了线性嵌入传播和残差偏好学习，LR-GCCF相比于其他的非线性GCNs模型更容易训练。

3. 本文的模型相比于深度学习模型没有任何的隐藏层，不需要反向传播算法。与之相反，本文采用随机梯度下降法来训练模型。因此，LR-GCCF相比于标准的GCN模型更具有时间效率。

结论：

在本文中，回顾了基于GCNs的推荐模型，并且提出了一种新的GCNs模型LR-GCCF。LR-GCCF主要有两点不同1.随着GCNs的建立，本文的模型移除了GCNs的非线性变换，并且使用线性嵌入传播替代它。2.为了减低高层图卷积造成的过平滑现象，本文在每一层设计了一个残差表示学习块。多项实验证明了LR-GCCF模型的有效性和高效性。