LightGCN：简化并增强图卷积网络用于推荐
信息检索
2020-07-08 v4 机器学习
摘要
图卷积网络(GCN)已成为协同过滤的新state-of-the-art。然而，其在推荐中有效性的原因尚未被充分理解。现有将GCN适配到推荐的工作缺乏对GCN的彻底消融分析，而GCN最初是为图分类任务设计并配备了诸多神经网络操作。然而，我们通过经验发现，GCN中最常见的两种设计——特征变换和非线性激活——对协同过滤的性能贡献甚微。更糟的是，包含它们增加了训练难度并降低了推荐性能。在本工作中，我们旨在简化GCN的设计，使其更简洁且适用于推荐。我们提出一个名为LightGCN的新模型，仅包含GCN中最本质的组件——邻域聚合——用于协同过滤。具体而言，LightGCN通过在用户-物品交互图上线性传播用户和物品嵌入来学习它们，并使用所有层学到的嵌入的加权和作为最终嵌入。这种简单、线性和简洁的模型更易于实现和训练，在完全相同的实验设置下，相比基于GCN的state-of-the-art推荐模型Neural Graph Collaborative Filtering (NGCF)展现出显著提升（平均约16.0%的相对改进）。我们从分析和经验两个角度进一步对简单LightGCN的合理性进行了分析。
引用
@article{arxiv.2002.02126,
title = {LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation},
author = {Xiangnan He and Kuan Deng and Xiang Wang and Yan Li and Yongdong Zhang and Meng Wang},
journal= {arXiv preprint arXiv:2002.02126},
year = {2020}
}
备注
Accepted by SIGIR