2020-SIGIR- Lightgcn: Simplifying and powering graph convolution network for recommendation

LightGCN

当前RS中的GCN工作没有进行彻底的消融实验，本文实验发现GCN的两项设计**[特征转化]和[非线性激活函数]**不适用于协调过滤。提出了LightGCN，只使用了GCN的邻居聚合，线性传播信息，然后加权每一层的嵌入得到最终的表示。

1 引言

CF的通用范式：①学习到用户和物品的隐含特征（嵌入/表示）；②基于嵌入向量进行预测。

• MF，直接将single id作为嵌入
• SVD++，将历史交互物品id来表示user（一阶邻居）
• 交互图，多阶邻居

NGCF中借鉴GCN的特征转化、非线性函数；但是原始GCN使用的节点是带有丰富特征的，而在user-item交互图中，只有id节点，没有丰富的特征，这些特征转化反而会有损模型。所以提出LightGCN.

2 先验

2.1 NGCF

2.2 NGCF 经验性探究

对NGCF采取消融实验，探究非线性激活函数和特征转化的影响。将NGCF的最后组合方式改变，由concat改为sum，因为这样嵌入都是相同维度了。

• NGCF-f，移去W1 W2
• NGCF-n，移去激活函数
• NGCF-fn，都移去

3 模型

3.1 LightGCN

3.1.1 Light Graph Convolution

3.1.2 Layer Combination and Model Prediction

3.1.3 矩阵形式

3.2 模型分析

3.2.1 和SGCN关系

3.2.2 和APPNP关系

3.2.3 二阶嵌入平滑

3.3 模型训练

4 实验

4.4 消融实验

4.4.1 层组合方式

4.4.2 对称根号归一化

4.4.3 平滑嵌入的分析

结果表明，使用 light gcn，能让嵌入表更加平滑，更适合用于推荐。

6 结论和未来工作

LightGCN的优点：更容易训练、更好的泛化能力、更有效

近期趋势是利用辅助信息，而GCN在这些side info中建立了新的SOTA。

未来方向，个性化图层组合权重，对于不同用户，不同层结合权重不同，比如稀疏的用户可能需要来自高阶邻居的更多信号，而主动的用户需要的信号更少。