【GCN-RS】How Powerful is Graph Convolution for Recommendation? (CIKM‘21)

How Powerful is Graph Convolution for Recommendation? (CIKM’21)

上篇文章认为LightGCN的缺点是over-smoothing，这篇文章认为LightGCN的关键优点是smoothness。文章提出一个a unified graph convolution- based framework for CF，并将现有的CF方法归纳统一到这个框架中（including the neighborhood- based methods, low-rank matrix factorization, linear auto-encoders, and LightGCN, corresponding to different low-pass filters. ），进而提出GF-CF模型，(Graph Filter based Collaborative Filtering)。效果提升70%，训练时间只需要65.8秒。

untrained LightGCN的威力

LightGCN效果好是因为smoothness，smoothness可以定义为有连接的两个点的表征的相似度：
$$S_2(x)=\sum _{i,j}{A}_{i,j}{\Vert x_i-x_j\Vert }_2^2$$
当LightGCN的模型维度达到一定规模时，即使是随机初始化的未经过训练，也可以超过64维的精心训练的LightGCN：

作者认为这一定是“**linear filter playing the essential role **”。

但是这也是有一定条件的：模型维度和数据集稠密度正相关，这也是为什么在更稀疏的Amazon-book上效果好。

作者证明出，当 $K$ 层的LightGCN模型维度趋近于无穷大时，模型的为用户 $u$ 的推荐等价于：
$${\mathbf{s}}_u=\sum _{k=0}^{K-1}{\beta }_k{\tilde{\mathbf{r}}}_u$$