動機

本文是2020年SIGIR的一篇文章。最近圖卷積網路（GCN）在協同過濾推薦中大放異彩，但是卻很少有工作探究其為什麼在協同過濾推薦系統中有效，缺乏較為完善的消融實驗，在本文中，作者通過一系列消融實驗發現GCN中的特徵轉換和非線性啟用對協同過濾並沒有益處，因此，作者提出了LightGCN，它僅包含GCN中最重要的鄰域聚合，並且取得了很好地效果。

演算法

lightGCN原理非常簡單，它地圖卷積操作定義為

其中\(\mathcal{N_u}\)和\(\mathcal{N_u}\)代表使用者u和物品i的第一跳鄰居。通過上述公式，可以得到使用者和物品在每一層的嵌入表示，在這裡需要注意每個節點只聚合了它的鄰居表示，並沒有包括自身。之後，組合每一層的嵌入得到使用者和物品的最終表示

其中\(\alpha_k\)

表示第k層的對最終表現的貢獻度。它可以被當作是超引數，也可以作為模型的引數訓練得出，作者在實驗中將\(\alpha_k\)設定為1/(k+1)。通過將每層的embedding組合可以捕獲到不同層次的資訊，並且可以實現自連線。模型的預測可以使用最終得到的使用者與物品的embedding的內積

模型中需要訓練的引數只有第0層的embedding，作者在這裡使用BPR loss作為損失函式

結果

作者在三個資料集上將LightGCN和最先進的模型進行比較，LightGCN明顯比其他模型效果更好。

並通過一系列消融實驗，發現各個引數對模型的影響，其中最值得思考的就是不同層embedding組合的係數\(\alpha_k\)

，因為在Amazon-Book資料集上，使用某一單層的embedding（相當於將該層的\(\alpha_k\)設為1，其餘層設為0）比所有層聚合的embedding效果還要好，這也說明了\(\alpha_k\)對模型的效能影響很大，是以後的一個研究方向。下圖LightGCN-single就是單獨使用某一層，可以看出單獨使用第2層明顯是最好的。

總結

本篇論文提出的LightGCN結構比較簡單，因為上週讀過這篇論文《Neural Graph Collaborative Filtering》，所以這篇文章較易理解。LightGCN就是將NGCF再簡化，刪除了不必要的部分——特徵轉換和非線性啟用，作者在文章中比較詳細地解釋了為什麼LightGCN簡單但有效，因為GCN最初是為屬性圖設計的，圖中的節點包含豐富的資訊，而推薦系統中圖的節點包含的只有互動資訊，資訊含量較少，即使使用了特徵轉換和非線性啟用，也未必能提取出更多的有效資訊，甚至還可能損壞模型效能，而保留下來的鄰域聚合足以表示使用者和物品之間的資訊。文章中的lightGCN還有改進的空間，例如難負例取樣、對抗取樣、將\(\alpha_k\)

當作模型引數去訓練等等。