LightGCN模型复现

基于图模型的第一篇论文复现，比起tensorflow,还是觉得pytorch框架更容易看懂。

论文思路：数据集构建用户-项目交互图，基于GCN思想，聚合邻居节点的信息，增强用户和项目的嵌入表示，以得到更为准确的评分预测。其中论文证明GCN中的非线性激活和数据转换不仅增加模型复杂度，还影响模型性能。数据不考虑用户和项目的属性信息，只有节点ID，评分数据反映边信息，不涉及额外信息，不需要额外的特征变换和非线性激活，基于简单的协同过滤思想。（现在很多论文都是基于图模型+协同过滤思想，优化推荐任务）

具体模型结构：

【1】数据集：gowalla,amazon-book,yelp2018,数据集一般都处理成train,test,user_list,item_list

图模型数据思路，构建节点，边数据，邻接矩阵构建，生成图结构

【2】参数：parse.py,模型的所有参数都在此封装，其中数据集列表默认是gowalla数据集，模型包含MF和Lgcn,默认是LightGcn

【3】world.py参数调用

【4】dataloader:数据集处理，模型采用bpr损失函数，需要抽样负样本。在这部分，作者分别做了两类数据集的处理，加了一个额外数据集lastfm，涉及社交属性的数据集，额外构建用户-用户社交网络，按理说，这个数据集构建的是异构图，作者与gowalla数据集构建图是同一个方法。创新思路可以考虑异构图，社会化推荐。

【5】utils.py:构建BPR损失函数，评价指标precision，recall，ndcg,跑模型发现，gowalla数据集跑完准确的只有55%，可能是这个指标数据结过不太好，作者论文中只写了recall和precison两个指标，数据结果基本与论文一致。

【6】register.py:查看加载数据集的稀疏度，打印具体参数等信息。

【7】procedure.py:模型训练测试流程

【8】main.py:调用model开始训练，打印结果

模型思路很简单，没有特征变换，没有非线性激活，没有很多需要反向传播优化的参数，其中节点区分用的是1/k，与一般采用注意力机制自学习的模型不同，相当于一种均值的形式，作者也提到这是未来优化的方向之一。另外存在疑问的一点，第一层网络，用户的紧邻是商品，到了第二次商品的紧邻是用户，用户-商品-用户，这种方式比起社会化推荐，似乎也包含用户的紧邻用户，只不过是间接邻居，是否可以考虑增加上用户-用户邻接信息，能进一步优化模型。利用注意力机制去学习参数权重。项目-用户-项目，这种传播，是否也包含兴趣的深层次传播。以后学习中尝试优化模型。另外一个创新思路是，考虑文本辅助信息，比如用户对商品的评论文本，已有学者，采用bert模型+LightGcn模型，实现更好地推荐任务。总觉得对于推荐，各种信息都考虑，比如用户，项目的属性，社交网络，项目知识图谱，考虑时效，动态推荐，等等一系列因素都涉及，或许结果会更优，但是模型好复杂，实现上好难。