Lighter-X：基于解耦传播的图基推荐高效插件化策略
机器学习
2025-10-14 v1
摘要
图神经网络（GNN）在推荐系统中展现出显著效能。然而，常规图基推荐器如LightGCN需要为每个节点维护大小为的嵌入向量，导致参数复杂度为，其中表示用户和物品的总数。这种扩缩模式在实际应用中面临规模部署的显著挑战。为解决此可扩展性限制，我们提出\textbf{Lighter-X}，一种高效且模块化的框架，可无缝集成到现有GNN-based推荐架构中。我们的方案在保持基础模型理论保证和实证性能的同时，大幅度减少参数规模和计算复杂度，从而实现大规模部署。具体而言，我们分析其原始结构和内在参数冗余，识别优化机会。基于此洞见，我们提出稀疏邻接结构和高维嵌入矩阵的高效压缩方案，实现参数复杂度，其中。此外，该模型通过解耦框架进行优化，训练过程中的计算复杂度显著降低，提升了可扩展性。广泛实验表明，Lighter-X在参数显著减少的情况下，可与基线模型保持相当性能。在特定规模交互图（拥有数百万条边）上，仅使用LightGCN参数的1%即可实现更佳结果。
引用
@article{arxiv.2510.10105,
title = {Lighter-X: An Efficient and Plug-and-play Strategy for Graph-based Recommendation through Decoupled Propagation},
author = {Yanping Zheng and Zhewei Wei and Frank de Hoog and Xu Chen and Hongteng Xu and Yuhang Ye and Jiadeng Huang},
journal= {arXiv preprint arXiv:2510.10105},
year = {2025}
}