UltraGCN：用于推荐的极简图卷积网络
信息检索
2023-12-01 v2
摘要
随着图卷积网络（GCNs）近期的成功，它们已被广泛应用于推荐系统，并取得了令人印象深刻的性能提升。GCNs 的核心在于其聚合邻域信息的消息传递机制。然而，我们观察到消息传递在训练过程中大幅拖慢了 GCNs 的收敛，尤其对于大规模推荐系统，这阻碍了其广泛采用。LightGCN 较早尝试通过省略特征变换和非线性激活来简化用于协同过滤的 GCNs。本文中，我们更进一步提出一种极简的 GCNs 表述（称为 UltraGCN），其跳过无限层消息传递以实现高效推荐。UltraGCN 不采用显式消息传递，而是通过约束损失直接近似无限层图卷积的极限。同时，UltraGCN 允许更恰当的边权分配，并灵活调整不同类型关系间的相对重要性。这最终产生了一个简单而有效的 UltraGCN 模型，易于实现且训练高效。在四个基准数据集上的实验结果表明，UltraGCN 不仅优于最先进的 GCN 模型，还取得了比 LightGCN 超过 10 倍的加速。我们的源代码将发布于 https://reczoo.github.io/UltraGCN。
引用
@article{arxiv.2110.15114,
title = {UltraGCN: Ultra Simplification of Graph Convolutional Networks for Recommendation},
author = {Kelong Mao and Jieming Zhu and Xi Xiao and Biao Lu and Zhaowei Wang and Xiuqiang He},
journal= {arXiv preprint arXiv:2110.15114},
year = {2023}
}
备注
Accepted by CIKM 2021. Code available at: https://reczoo.github.io/UltraGCN