论文阅读：RGCF: Refined Graph Convolution Collaborative Filering with Concise and Expressive Embedding

Author：KANG LIU、FENG XUE、RICHANG HONG
论文地址

Motivation：

同lightgcn一样，处理的一样的问题。直接把基于GCN的推荐方法运用到推荐任务的聚合邻居中会引入噪声和信息的冗余。原因是推荐任务大部分输入语义信息很少，仅含ID、attribute等，利用非线性神经网络不合理。

提出了RGCF，原理同lightgcn一样。

去除掉1.NGCF中的非线性神经网络（light中的feature transformation and nonlinear activation）；2.把NGCF中的预测模型中的concat直接换成只用最后一层来预测；3.去除掉NGCF中的element-wise product。

在加入节点自连接的时候赋予了一个权重。

同lightgcn区别：lightgcn没有自连接，利用预测模型中每层embedding的权重和来替代自连接的效果。RGCF有自连接，所以只用最后一层来做预测，最后一层的embedding包含前面层的节点信息。

Contribute：

1.分析了基于GCN推荐方法的冗余性缺点，强调了它获取高阶连通性的负面影响。
2.提出RGCF消除了基于GCN推荐方法的组件的冗余。
3.大量实验表明RGCF效果很好。

Method：

先得到user和item的初始化embedding，然后经过L层线性传播，最后仅利用最后一层的embedding去做预测。

embedding的生成如下图：

矩阵形式： lambda是对于节点自连接的一个权重。

预测：仅用最后一层embedding。

优化：

Analyze:

1.为什么网络层是多余的？

分析：利用NN来处理丰富的语义信息，结果是可观的，但是对于一般推荐任务，仅包含user\item ID or attribute，NN对embedding既没有帮助了，可能还会损害精度；NN会带来更多的参数，从而会导致overfitting问题，虽然加入了dropout，这个问题也没有完全消除。

2. 为什么层聚合机制是多余的？

分析：这个主要说的对于预测模型的embeddings处理方式，NGCF是全部层得embeddings做了concat处理，而RGCF仅用了最后一层做预测。分析NGCF用全部的embeddings信息会重叠，而且考虑了很多低阶的交互信息。RGCF利用最后一层embedding预测，最后一层的embedding包含了前面所有层的信息。在NGCF中，concat操作弱化了非线性卷积层消极影响。

如下图：E2包含了E0和E1。

3.为什么element-wise product是多余的？

分析：首先element-wise product是有用的，它可以放大用户-物品交互对的喜好分数，增加交互节点的吸引力和加速模型的收敛。在NGCF中他弱化了非线性卷积层消极影响。但是当交互函数是inner product时，它可以重构element-wise product的信息。实验证明效果很好。

Dataset：

Baselines:

MF、SVD++、NeuMF、HOP-Rec、GC-MC、NGCF

1.不同算法比较性能

2.不同组件比较性能
n-nonlinear network layers
p-product
c-concat

3.NGCF和RGCF不同层数比较性能

4.超参数lambda比较性能

5.超参数L2正则化系数比较性能