LightGCN

1.简介

本文提出了一种轻型但是有效的GCN网络用于推荐系统，它舍弃了传统GCN的特征变换和非线性激活，并通过实验验证了这两种操作对协同过滤是无效的，同时提出了一种轻量级的GCN网络构建模型（LightGCN）用于推荐系统。

LightGCN它只包含GCN中最基本的结构（邻居聚合）用于协同过滤。LightGCN通过在用户-物品交互矩阵上进行线性传播来学习用户和物品的嵌入，最后将所有层学习到的嵌入的加权和作为最终嵌入。这种简单、线性的模型是很容易实施和训练的，并且在同样的实验条件下相对于NGCF（一种最好的基于GCN的推荐模型）有了实质性的改善（相对平均提升了16.0%）

总之，主要的贡献如下：

1.实验结果表明，GCN中两种常见的设计，即特征转换和非线性激活，对协同过滤的效果没有积极影响

2.我们提出了LightGCN，它只包含GCN中最基本的组件以供推荐，从而大大简化了模型设计。

3.我们通过遵循相同的设置对LightGCN和NGCF进行了经验比较，并证明了改进。在从技术和经验两个角度对LightGCN的合理性进行了深入分析。

2.准备工作

我们首先介绍了NGCF，并证明了NGCF中两种操作（特征变换和非线性激活）对协同过滤来说没有用。

2.1NGCF概述：

       在半监督的节点分类中，每个节点都含有丰富的语义特征进行输入，多层的特征变换和非线性变换对于特征学习来说是有益的。但是在协同过滤任务中，每个在交互矩阵中的节点只有一个ID输入，且这个ID是没有如何语义的（不包含特征信息），所以特征变换和非线性激活不会使网络学习到更多特征，更糟糕的是，它还会增加训练难度。

2.2NGCF的实证研究

 对NGCF做了简化

1.NGCF-f，移除了特征变换矩阵W1和W2

2.NGCF-n，移除了非线性激活函数

3.NGCF-nf，同时移除了非线性激活函数和特征变换矩阵

 测试得到如下效果： 

我们可以得到以下结论：

1.添加特征变换对NGCF产生了负面影响，因为对NGCF和NGCF-n两种模型中消除了特征变换后，都显著提高了NGCF的性能；

2.当特征变化在时加入非线性激活对模型的影响较小，但当特征变换被禁用时，加入非线性激活会产生负面影响。

3.总体而言，特征变换和非线性激活对NGCF产生了相当负面的影响，因为同时去除它们，NGCF-fn比NGCF有很大的提高（召回率相对提高9.57%ÿ