LightGCN笔记

总结：
问题：用GCN做推荐缺乏全面的消融分析，GCN中两种最常见的设计-特征转换 和非线性激活对协同过滤的性能贡献很小，另外，它们会增加训练的难度并降低推荐性能。
解决办法：为了简化GCN的设计，让它更适合做推荐，提出了一个新的模型叫LigthGCN,它只包括GCN中最重要的部分–领域聚合–用于协同过滤。
怎么做的：LightGCN通过在用户-物品交互图上线性传播用户和物品表征，并使用在所有层上学习到的表征的加权和作为最终的表征。
实验部分：我们先描述实验设置，然后与NGCF进行详细比较，为了验证LightGCN中的设计并揭示其有效性的原因，我们进行了消融研究和表征分析。
实验结果：我们通过实验证明了LightGCN在简单、易于训练、泛化能力强、效率高等方面的优势。

NGCF：
在初始步骤中，每个用户和物品都与ID表征相关联。

然后NGCF利用用户物品交互图传播表征，如下所示：
这里euk,eik分别表示在 k 层传播后用户 u 和物品i 的表征，
σ 是非线性激活函数
Nu表示用户u交互过的所用物品集
Ni表示物品i交互过的所有用户集
w1和w2是可训练的权重矩阵，用于在每一层中执行特征变换。
通过传播L层，NGCF获得L+1表征来描述用户（e(0)u，e(1)u，…，e(L)u）和物品（e(0)i，e(1)i，…，e(L)i）。然后将这些L+1表征连接起来，得到最终的用户表征和物品表征，使用内积生成预测得分。
(公式部分解释为借鉴，感觉他人解释的易于明白！！！）


疑惑点：
1.这里说到，在协同过滤中，用户物品交互图的每个节点只有一个ID作为输入，没有具体的语义。在这种情况下，进行多次非线性变换并不有助于更好地学习特征，那意思是如果节点有丰富的语义信息，非线性激活和特征转换就有用了？

答：是
2.获得最终表征的方式 为什么从拼接改为求和？

答：拼接会改变维度，求和不会改变维度