论文阅读和分析：LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation

下面所有博客是个人对EEG脑电的探索，项目代码是早期版本不完整，需要完整项目代码和资料请私聊。


数据集
1、脑电项目探索和实现(EEG) (上)：研究数据集选取和介绍SEED
相关论文阅读分析：
1、EEG-SEED数据集作者的—基线论文阅读和分析
2、图神经网络EEG论文阅读和分析：《EEG-Based Emotion Recognition Using Regularized Graph Neural Networks》
3、EEG-GNN论文阅读和分析：《EEG Emotion Recognition Using Dynamical Graph Convolutional Neural Networks》
4、论文阅读和分析:Masked Label Prediction: Unified Message Passing Model for Semi-Supervised Classification
5、论文阅读和分析：《DeepGCNs: Can GCNs Go as Deep as CNNs?》
6、论文阅读和分析： “How Attentive are Graph Attention Networks?”
7、论文阅读和分析：Simplifying Graph Convolutional Networks

8、论文阅读和分析：LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation
9、图神经网络汇总和总结
相关实验和代码实现：
1、用于图神经网络的脑电数据处理实现_图神经网络 脑电
2、使用GCN训练和测试EEG的公开SEED数据集
3、使用GAT训练和测试EEG公开的SEED数据集
4、使用SGC训练和测试SEED数据集
5、使用Transformer训练和测试EEG的公开SEED数据集_eeg transformer
6、使用RGNN训练和测试EEG公开的SEED数据集
辅助学习资料：
1、官网三个简单Graph示例说明三种层次的应用_graph 简单示例
2、PPI数据集示例项目学习图神经网络
3、geometric库的数据处理详解
4、NetworkX的dicts of dicts以及解决Seven Bridges of Königsberg问题
5、geometric源码阅读和分析：MessagePassin类详解和使用
6、cora数据集示例项目学习图神经网络
7、Graph 聚合
8、QM9数据集示例项目学习图神经网络
9、处理图的开源库

LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation

注：用于推荐协同过滤的简化算法，可减少计算量。

图卷积网络（GCN）已成为协同过滤的最新技术。然而，其建议有效性的原因尚不清楚。现有的使GCN适应推荐的工作缺乏对GCN的彻底消融分析，GCN最初设计用于图分类任务，并配备了许多神经网络操作。然而，从经验上发现，GCN中最常见的两种设计——特征转换和非线性激活——对协同过滤的性能贡献不大。更糟糕的是，包括它们会增加训练难度，降低推荐性能。

在这项工作中，的目标是简化GCN的设计，使其更简洁，更适合推荐。提出了一个名为LightGCN的新模型，它只包括GCN中最重要的组件——邻域聚合——用于协同过滤。具体而言，LightGCN通过在用户-项目交互图上线性传播用户和项目嵌入来学习它们，并使用在所有层学习的嵌入的加权和作为最终嵌入。这种简单、线性和整洁的模型更容易实现和训练，在完全相同的实验设置下，与神经图协同过滤（NGCF）（一种最先进的基于GCN的推荐器模型）相比，表现出了显著的改进（平均约16.0%的相对改进）。从分析和实证角度对简单LightGCN的合理性进行了进一步分析。

算法原理学习

算法的原理很简单，体现出简洁的特点。

LightGCN模型架构示意图。在LGC中，仅对下一层执行相邻嵌入的归一化和；其他操作，如自连接、特征转换和非线性激活都被删除，这在很大程度上简化了GCN。在层组合中，我们对每个层的嵌入进行求和以获得最终表示

$${\mathbf{x}}_i^{\prime }=\sum _{j\in \mathcal{N}(i)}\frac{e_{j,i}}{\sqrt{\mathrm{deg}(i)\mathrm{deg}(j)}}{\mathbf{x}}_j$$

geometric开源代码实现

重要参数：

1、num_nodes (int): The number of nodes in the graph.
2、embedding_dim (int): The dimensionality of node embeddings.
3、num_layers (int): The number of:class:~torch_geometric.nn.conv.LGConv layers.
4、alpha (float or Tensor, optional): The scalar or vector specifying there-weighting coefficients for aggregating the final

5、embedding.If set to :obj:None, the uniform initialization of:obj:1 / (num_layers + 1) is used. (default: :obj:None)

6、 **kwargs (optional): Additional arguments of the underlying :class:~torch_geometric.nn.conv.LGConv layers.

    def __init__(
        self,
        num_nodes: int,
        embedding_dim: int,
        num_layers: int,
        alpha: Optional[Union[float, Tensor]] = None,
        **kwargs,
    ):
        
    def forward(self, edge_index: Adj,
                edge_label_index: OptTensor = None) -> Tensor:        

参考：

torch_geometric.nn — pytorch_geometric documentation (pytorch-geometric.readthedocs.io)

[2002.02126] LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation (arxiv.org)