LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation
SIGIR-CCF A-He Xiangnan, Deng Kuan, Wang Xiang, Zhang Yongdong, Wang Meng-2020.7.25-30
思路
DCN做推荐缺乏彻底的消融分析,是图分类任务,并且配备了许多神经网络操作。但是,GCN里两个最常见的设计:GCN-特征转换、非线性激活-性能贡献不大的协同过滤,并且有这两部分会增加训练的难度,并且会降低推荐性能。于是为了简化GCN的设计,提出LightGCN,它只包括GCN中最重要的组成部分-邻域聚合-协同过滤。具体来说,它通过用户-项目交互图上的线性传播来学习用户和项目嵌入,并使用所有层学习的嵌入的加权和作为最终嵌入。在完全相同的实验设置下,与神经图协同过滤NGCF相比,有实质性的改进。【TensorFlow√PyTorch√】
对NGCF进行消融实验
对NGCF进行广泛的消融实验,通过严格的对照试验,得出结论:继承自GCN的两个操作-特征转换和非线性激活-对NGCF的有效性没有贡献。NGCF利用用户项交互图来传播嵌入
。GCN的核心是通过传播来细化嵌入,因此新的问题是相同嵌入大小下的嵌入质量如何。所以改变了获取最终嵌入的方式