UltraGCN: Ultra Simplification of Graph ConvolutionalNetworks for Recommendation（个人笔记）

该文章发表在CIKM'2021，在何向南老师的LightGCN上做出了进一步的改进。

论文链接：https://arxiv.org/abs/2110.15114

代码链接：https://github.com/xue-pai/ultragcn

文章首先指出了LightGCN的三个不足，如下：

1）消息传递期间在边缘上分配的权重违反直觉，这可能不适用于CF。

2）传播过程递归地将不同类型的关系对（包括用户项对、项项项对和用户用户对）组合到模型中，但未能捕捉到它们不同的重要性。这也可能会引入嘈杂且缺乏信息的关系，从而混淆模型训练。

3）过度平滑问题限制了在LightGCN中使用过多的消息传递层。

然后说明他们的模型不执行显式消息传递，而是通过约束损失直接近似无限层图卷积的极限，从而得到了超简化GCN模型------UltraGCN。并指出所做的贡献：

1）实证分析了LightGCN的培训效率低下，并进一步将其原因归因于消息传递机制的关键限制。 

2）我们提出了一种超简化的GCN公式，即UltraGCN，它跳过了无限层的显式消息传递以实现高效的推荐。

3）在四个基准数据集上进行了大量实验，以证明UltraGCN的有效性和效率。

---

这部分详细说明LCN的不足之处：

在LCN中，各层信息的传递公式表示为：

 本文为用户 u 和项目 i 重写了消息传递公式：

 其中， 和  分别代表用户 u 和 项目 i 在第  层的嵌入。 和  分别代表用户 u 和 项目 i 的邻接节点。