经典图推荐系统论文LightGCN算法及代码简介

LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation (SIGIR'20)

论文链接：https://dl.acm.org/doi/pdf/10.1145/3397271.3401063

论文背景/动机

图卷积网络（Graph Convolution Network，GCN）已经被广泛地应用于推荐系统。然而先前基于GCN进行协同过滤的工作（例如NGCF）缺少对GCN的消融研究。作者指出GCN最初被设计用于图上的节点分类任务，并且GCN的特征转换与非线性激活过程并不适用于协同过滤。基于此，作者在标准的GCN的基础上针对推荐任务进行了简化，提出了轻量级图卷积网络（LightGCN）。

方法

LightGCN是一个端到端的图推荐模型，其模型框架图如下图所示（该图中输入部分被忽略）。具体来说，与先前的工作类似，LightGCN可以分为三个部分，即嵌入层、轻量级嵌入传播层和预测层。

嵌入层

嵌入层的主要作用是构造用户和物品的低维嵌入表示（embedding representation），这样的向量通常包含了用户和物品的信息，再没有先验知识输入的情况下通常以随机初始化的方式构造。给定用户u和物品i，其对应的嵌入表示分别为和。这样的嵌入表示通常具有维，并且以端到端的方式进行优化。在一个名用户和个物品的推荐场景中，完整的嵌入表被定义为：

轻量级嵌入传播层

GCN的基本思想是通过平滑节点的特征来学习节点的嵌入表现，这一过程通过迭代地执行图卷积操作来实现。每一次迭代过程中，中心节点聚合来自所有邻域节点的特征，以此更新中心节点的嵌入表示，即：

其中每个嵌入表示的上标表示该嵌入是通过第几个嵌入传播层得到的。作者认为传统的GCN中的特征转换和非线性激活过程对于协同过滤而言是不必要的。为了验证这一点，作者进行了一系列的消融实验，作者提出了NGCF的三个变体，即分别移除了NGCF模型中的特征