【推荐算法论文阅读】LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation

这篇文章是基于NGCF提出的改进，NGCF相关的工作参考【推荐算法论文阅读】Neural Graph Collaborative Filtering

一、背景

通过严格的对照实验（在相同的数据集和评估指标上），我们得出结论，从 GCN 继承的两个操作——特征转换和非线性激活——对 NGCF 的有效性没有任何贡献。 更令人惊讶的是，删除它们会显着提高准确性。 这反映了在图神经网络中添加对目标任务无用的操作的问题，这不仅没有带来任何好处，反而降低了模型的有效性。 受这些实证发现的启发，我们提出了一个名为 LightGCN 的新模型，其中包括 GCN 中最重要的组件——邻域聚合——用于协同过滤。 具体来说，在将每个用户（项目）与 ID 嵌入相关联后，我们在用户-项目交互图上传播嵌入以改进它们。 然后，我们将在不同传播层学习的嵌入与加权和相结合，以获得用于预测的最终嵌入。

二、NGCF简介

在初始步骤中，每个用户和项目都与一个 ID 相关联嵌入。 设$e_u$ 表示用户 u 的 ID 嵌入，$e_i$ 表示项目 i 的 ID 嵌入。 然后 NGCF 利用用户项目交互图将嵌入传播为:

Nu 表示与用户 u 交互的项目集，Ni 表示与项目 i 交互的用户集。

然后连接这些 L + 1 个嵌入以获得最终的用户嵌入和项目嵌入，使用内积生成预测分数。

NGCF 很大程度上遵循标准 GCN，包括使用非线性激活函数 σ(·) 和特征变换矩阵 W1 和 W2。 然而，我们认为这两个操作对于协同过滤没有那么有用。 在半监督节点分类中，每个节点都具有丰富的语义特征作为输入，例如论文的标题和抽象词。 因此执行多层非线性变换有利于特征学习。 然而，在协同过滤中，用户-项目交互图的每个节点只有一个 ID 作为输入，没有具体的语义。 在这种情况下，执行多个非线性变换将无助于学习更好的特征； 更糟糕的是，它可能会增加训练的难度。

三、LightGCN模型结构

LightGCN将邻居的特征聚合为目标节点的新表示。 这种邻域聚合可以抽象为：
$${\mathbf{e}}_u^{(k+1)}=\mathrm{A}\mathrm{G}\mathrm{G}\left({\mathbf{e}}_u^{(k)},\left\{{\mathbf{e}}_i^{(k)}:i\in {\mathcal{N}}_u\right\}\right)$$
AGG 是一个聚合函数——图卷积的核心——它考虑了目标节点及其相邻节点的第 k 层表示。

3.1 Light Graph Convolution (LGC)

在 LightGCN 中，我们采用了简单的加权和聚合器，放弃了使用特征变换和非线性激活。 LightGCN 中的图卷积操作（又名传播规则 ）定义为：
$$\begin{array}{l}{\mathbf{e}}_u^{(k+1)}={\sum }_{i\in {\mathcal{N}}_u}\end{array}$$