LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation

原创 已于 2024-04-29 16:54:12 修改 · 429 阅读 · 6 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#笔记 #推荐算法

于 2024-04-05 15:05:35 首次发布
LightGCN通过去除NGCF中的特征转换和非线性激活，仅保留邻域聚合，提高了推荐性能。实验表明LightGCN在推荐任务中表现优于NGCF，具有更好的训练效率和泛化能力。

LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation

SIGIR-CCF A-He Xiangnan, Deng Kuan, Wang Xiang, Zhang Yongdong, Wang Meng-2020.7.25-30

思路

DCN做推荐缺乏彻底的消融分析，是图分类任务，并且配备了许多神经网络操作。但是，GCN里两个最常见的设计：GCN-特征转换、非线性激活-性能贡献不大的协同过滤，并且有这两部分会增加训练的难度，并且会降低推荐性能。于是为了简化GCN的设计，提出LightGCN，它只包括GCN中最重要的组成部分-邻域聚合-协同过滤。具体来说，它通过用户-项目交互图上的线性传播来学习用户和项目嵌入，并使用所有层学习的嵌入的加权和作为最终嵌入。在完全相同的实验设置下，与神经图协同过滤NGCF相比，有实质性的改进。【TensorFlow√PyTorch√】

对NGCF进行消融实验

对NGCF进行广泛的消融实验，通过严格的对照试验，得出结论：继承自GCN的两个操作-特征转换和非线性激活-对NGCF的有效性没有贡献。NGCF利用用户项交互图来传播嵌入在这里插入图片描述
。GCN的核心是通过传播来细化嵌入，因此新的问题是相同嵌入大小下的嵌入质量如何。所以改变了获取最终嵌入的方式，从直接连接改为做加法，虽然对NGCF的性能的改进微乎其微，但是对我们的消融研究来说，更能说明GCN改进的嵌入质量，设计了三个简化变体：NGCF-f, NGCF-n, NGCF-fn，分别去除了特征转换矩阵W1yuW2；去除了非线性

最低0.47元/天 解锁文章
【推荐算法论文阅读】LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation
qq_36643449的博客
03-17 1157
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 Lig
【论文笔记】LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation --- SIGIR2020
weixin_44884854的博客
10-10 1万+
本文提出了一种轻型但是有效的GCN网络用于推荐系统 摘要 GCN在协同过滤中已经变成了一个最先进的方法，但是，它有效性的理由一直没有被理解。现有的工作缺少对GCN的彻底消融分析（thorough ablation analyses），然而，我们发现两个最常见的GCNs操作（特征变化和非线性激活）对协同过滤是没有用的，甚至还会增加训练的复杂度并且降低推荐系统的表现。 在本文中，我们对GCN的设计进行了简化让它更加适用于推荐系统，我们把它叫做LightGCN。它只包含GCN中最基本的结构（邻居聚合）.
【图卷积】 LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation
CRW__DREAM的博客
04-01 4313
作者提出一个简化GCN的模型LightGCN，只包含GCN最重要的组成部分，例如领域的聚合，多层传播，抛弃了GCN最常见的**设计-特征转换**和**非线性激活**两个步骤，并且通过在用户-项目交互图上线性传播用户和项目的嵌入来学习它们，最后将所有层上学习到的用户和项目嵌入加权和算作最后的预测得分。
【图卷积推荐论文阅读笔记】LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation
weixin_45371401的博客
05-30 1785
1）通过实验证明，GCN的**特征转换**和**非线性激活**，对协同过滤的有效性没有积极影响; 2）提出LightGCN，它通过仅包括GCN最重要的推荐组件，简化了模型设计并提高了性能； 3）按照相同的设置同其他先进协同过滤和图卷积推荐模型进行比较，对LightGCN的合理性进行了深入分析。
论文阅读和分析：LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation
KPer_Yang的博客
02-08 837
论文阅读和分析：LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation
LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation论文学习笔记
wwer142526363的博客
10-11 2453
用户和商品最后表示的内积作为推荐生产的排名分数。
论文阅读：LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation
qq_43431934的博客
03-04 4147
论文阅读：LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation paper：https://arxiv.org/abs/2002.02126code：https://github.com/kuandeng/LightGCN NGCF和LightGCN模型展示对比 何向南老师组的两大必读论文NGCF和LightGCN，分别发在SIGIR19’和SIGIR20’。 LightGCN模型的总体...
LightGCN：Simplifying and Powering Graph Convolution Network for Recommendation【论文精读】
weixin_46351593的博客
11-08 2036
NCF全称：Neural Collaborative Filtering。当时（2017年），深度神经网络在语音识别、计算机视觉和自然语言处理方面取得了巨大成功。然而，深度神经网络在推荐系统上的探索相对较少。在这项工作中，作者开发基于神经网络的技术来解决推荐中的关键问题——基于隐式反馈的协同过滤。通过将内积（传统MF）替换为可以从数据中学习任意函数的神经架构，作者提出了一个通用框架NCF，称基于神经网络的协同过滤。NGCF全称：NeuralGraph用户和项目的学习向量表示（即Embedding。
论文笔记：LightGCN Simplifying and Powering Graph Convolution Network for Recommendation
qq_44015059的博客
08-14 2190
前言 论文链接：https://arxiv.org/abs/2002.02126 github：https://github.com/gusye1234/LightGCN-PyTorch 参考：https://blog.youkuaiyun.com/qq_39388410/article/details/106970194 https://blog.youkuaiyun.com/u013422128/article/details/107504654 图卷积网络(GCN)已经成为协同过滤的最新技术。然而，对于推荐的有效性的原因却没
LightGCN
Angeliaaa的博客
03-10 5720
简介：本文提出了一种轻型但是有效的GCN网络用于推荐系统，它舍弃了传统GCN的特征变换和非线性激活，并通过实验验证了这两种操作对协同过滤是无效的，同时提出了一种轻量级的GCN网络构建模型（LightGCN）用于推荐系统。 LightGCN它只包含GCN中最基本的结构（邻居聚合）用于协同过滤。LightGCN通过在用户-物品交互矩阵上进行线性传播来学习用户和物品的嵌入，最后将所有层学习到的嵌入的加权和作为最终嵌入。这种简单、线性的模型是很容易实施和训练的，并且在同样的实验条件下相...
SIGIR20|LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation
qq_34739497的博客
12-16 675
SIGIR20|LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation ABSTRACT 图卷积网络已经成为结合协同过滤算法的最新技术。但是，它推荐的有效性的原因还不是很明确。现有的使GCN适应推荐的工作缺乏对GCN的消融分析，GCN由于参考了卷积神经网络改造而来，所以包含许多神经网络操作。但是作者基于实验发现GCN最常见的两个设计-特征转换和非线性激活对协同过滤的性能几乎没有影响。反而增加了训练的难度
论文《LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation》阅读
xingzhe123456789000的博客
03-19 781
论文《LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation》阅读论文概况Introduction模型分析LightGCN与SGCN的关系LightGCN与APPNP的关系二阶embedding平滑模型训练总结 论文概况 这篇文章是何向南教授刚刚发表在SIGIR 2020上的作品，作者介绍了一个轻量版的GCN模型做推荐系统。 论文地址：LightGCN Introduction 这篇文章的亮点在于将以往
LightGCN:简化和增强图卷积网络的推荐
sophilex的博客
04-01 1801
在NGCF上的一些改进，简化了模型的基础上提高了推荐的性能
LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation(SIGIR2020)
weixin_43401022的博客
01-12 883
原文链接[2002.02126] LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation (arxiv.org)https://arxiv.org/abs/2002.02126 代码GitHub - kuandeng/LightGCNhttps://github.com/kuandeng/LightGCN 1 INTRODUCTION Neural Graph Collaborative...
经典图推荐系统论文LightGCN算法及代码简介
Blueghost19的博客
03-20 1万+
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）。本文对LightGCN的算法与代码细节进行了简要介绍。
推荐系统笔记（五）：lightGCN算法原理与背景
热门推荐
qq_46006468的博客
07-29 2万+
lightGCN是将图卷积神经网络应用于推荐系统当中，是对神经图协同过滤（NGCF）算法的优化和改进。lightGCN相比于其对照算法提升了16%左右，在介绍lightGCN之前应该知道NGCF的基本原理。 首先，协同过滤的基本假设是相似的用户会对物品展现出相似的偏好，自从全面进入深度学习领域之后，一般主要是先在隐空间中学习关于user和item的embedding，然后重建两者的交互即interaction modeling，如MF做内积，NCF模拟高阶交互等。但是他们并没有把u
Lightgcn: Simplifying and powering graph convolution network for recommendation
最新发布
04-01
LightGCN 是一种专门为推荐系统设计的轻量级图卷积网络 (Graph Convolutional Network, GCN)，其核心目标是在保持高性能的同时减少计算复杂度和参数数量。以下是关于 LightGCN 的实现及其优化的关键点： #### 1. **...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值