[AAAI 2022] Low-Pass Graph Convolutional Network for Recommendation

Wenhui Yu1
, Zixin Zhang2
, Zheng Qin2
1Alibaba Group,
2Tsinghua University

摘要

谱图卷积对于大型图来说是非常耗时的，因此现有的图卷积网络（GCNs）通过一个多项式重构核，这个多项式几乎是固定的。

为了通过学习核从图数据中提取特征，提出了**低通协同滤波网络（LCFN）**作为一种具有可训练核的新范式。

LCFN有两个缺点：

(1)LCFN中的超图是通过挖掘用户项二部图的2跳连接来构造的，因此不使用1跳连接，导致严重的信息丢失。

(2) LCFN遵循GCNs的一般网络结构，即次优网络结构。

为了解决这些问题，我们利用二部图来直接转移图的空间，并在实验的基础上探索了最佳的网络结构。

源码

图1 显示了二维和一维低通图卷积的比较。
虚线：超图的超边
实线：图的边
蓝色矩形：嵌入
白色矩形：特征映射

图1(a)：在特征映射上的二维图卷积在LCFN的嵌入上变成二维图卷积。

图1(b)：本文提出的对E的一维图卷积。
虽然E是一个二维矩阵，但它确实是一维图数据，因为E的一维在图空间，另一维在欧几里得空间。
这意味着只有行之间的邻接关系被图所定义，而列之间的邻接关系仍然由它们的位置决定。
因此，只需要一维图的卷积。

1D Low-pass Graph Convolution

Analysis of 1D LCF

在简单gcn中的传播也是一个低通图转换器。

传播与LCF的区别在于：LCF可以更彻底地去除噪声和保留信号。
$\to$LCF是传播的高级版本，效果更好。

时域

频域

Compared with 2D LCF

Compared with GCN