LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation 论文笔记
目录
- 1.简介
- 1.1 背景介绍
- 1.2 摘要
- 1.3 主要贡献
- 2. 准备工作
- 2.1 NGCF
- 2.2 对NGCF的实证探索
- 3. LightGCN模型
- 3.1 Light Graph Convolution (LGC)
- 3.2 层组合和模型预测
- 3.3 矩阵表示
- 4. 实验
- 4.1 比较方法
- 4.2 和NGCF的性能比较
- 4.3 消融和有效性分析
- 4.3.1 层组合的影响
- 4.3.2 对称开方归一化的影响
1.简介
1.1 背景介绍
图卷积网络中的最常见的设计,特征变换和非线性激活函数,对协同过滤的效果贡献很小。更糟糕的是,二者会增加训练难度,损害推荐效果。
1.2 摘要
本文提出了一个新的模型LightGCN,去除了GCN中两种最常见的设计——特征转换和非线性激活,只包含GCN中最重要的组件——邻域聚合(用于协同过滤)。
1.3 主要贡献
• 在GCN中特征变换和非线性激活这两种常见的设计对CF协同过滤的有效性并没有积极的影响。
• 提出LightGCN,它只包含了GCN推荐模型中最基本的组件,从而在很大程度上简化了模型设计。
• 根据同样的设置对LightGCN和NGCF进行了实证比较,并展示了显著的改进。从技术和经验的角度对LightGCN的合理性进行了深入的分析。
2. 准备工作
2.1 NGCF
2.2 对NGCF的实证探索
同时去除特征变换和非线性激活后的NGCF-fn,模型有了很大的改进
3. LightGCN模型
总体思路是:
(1) 先将用户和项目节点的领域聚合
(2) 使用三层卷积层分别生成每层的嵌入 (3.1)
(3) 将节点的原始输入与生成每层新的嵌入做一个加权和 (3.2)
(4) 将用户和项目最终的生成节点表示做内积生成预测的分数 (3.2)
3.1 Light Graph Convolution (LGC)
放弃了特征变换和非线性激活,LightGCN中图形卷积运算就简化为:
特别需要注意的是,邻域聚合并没有用到自连接,作者在原文3.2.1与SCGN的对比中证明了:在最终将每层嵌入组合到一起时,起到了自连接的效果。
3.2 层组合和模型预测
LightGCN需要的参数并不多,仅仅是0层的嵌入,即eu(0)e_u^{(0)}eu(0)和ei(0)e_i^{(0)}ei(0)。
(多层情况)经过K层LGC之后,我们进一步结合在每一层得到的嵌入,形成一个用户(一个项目)的最终表示:
αk=1k+1\alpha_k=\frac{1}{k+1}αk=k+11时效果最好。
最终的模型预测形式,内积形式如下:
yui^=euTei(5)\hat{y_{ui}}=e_u^Te_i\qquad(5)yui^=euTei(5)
3.3 矩阵表示
令用户-项目交互矩阵R∈RM×NR\in R^{M\times N}R∈RM×N,其中M和N分别表示用户数量和项目数量,如果uuu与iii交互,则RuiR_{ui}Rui 为1,否则为0。然后得到用户-项图的邻接矩阵为:
则可以得到LGC的矩阵等价形式为:
最后,我们得到最终用于模型预测的嵌入矩阵为:
4. 实验
4.1 比较方法
与之竞争的主要方法是NGCF,它已经证明比其他几种方法表现更好。在NGCF的基础上,我们进一步对比了两种相关且具有竞争力的CF方法:
Mult-VAE [28]
GRMF [30]
4.2 和NGCF的性能比较
我们与NGCF进行了详细的比较,在表中记录了不同层(1到4层)的性能,还显示了每个指标相对改进的百分比。在图中,我们进一步绘制了训练损失和测试recall的训练曲线。
4.3 消融和有效性分析
对LightGCN进行消融研究,展示了层组合和对称开根归一化如何影响LightGCN的性能。
4.3.1 层组合的影响
以LightGCN-single为例,我们发现当层数从1增加到4时,它的性能先提高后降低。
以LightGCN为例,我们发现它的性能是随着层数的增加而逐渐提高的。即使使用4层,LightGCN的性能没有降低。
4.3.2 对称开方归一化的影响
最好的设置是在两边都使用sqrt标准化,去掉任何一边都会大大降低性能。
第二好的设置是仅在左侧使用L1规范化(即LightGCN-L1-L)。
LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation 论文笔记相关推荐
- 卷积-CNN-GCN-LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation论文笔记
参考博客:https://www.zhihu.com/question/54504471/answer/332657604 1. 卷积 连续: ( f ∗ g ) ( n ) = ∫ − ∞ + ∞ ...
- LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation【论文阅读笔记】
文章目录 1.文章为了解决什么问题? 2.文章提出了什么方法? 3.模型架构以及原理? 4.模型有效性分析 5.改进的效果如何以及比较的对象 6.future work 这篇论文提出了LightGCN ...
- SIGIR20|LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation
SIGIR20|LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation 文章链接:https:/ ...
- 论文阅读:LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation
论文阅读:LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation paper:https:// ...
- 【推荐算法论文阅读】LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation
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 ...
- 2020-SIGIR- Lightgcn: Simplifying and powering graph convolution network for recommendation
LightGCN 当前RS中的GCN工作没有进行彻底的消融实验,本文实验发现GCN的两项设计**[特征转化]和[非线性激活函数]**不适用于协调过滤.提出了LightGCN,只使用了GCN的邻居聚合, ...
- 行人轨迹论文阅读SSAGCN: Social Soft Attention Graph Convolution Network for Pedestrian Trajectory Prediction
SSAGCN: Social Soft Attention Graph Convolution Network for Pedestrian Trajectory Prediction SSAGCN: ...
- 论文翻译 SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory Prediction 用于行人轨迹预测的稀疏图卷积网络
SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory Prediction 用于行人轨迹预测的稀疏图卷积网络 行人轨迹预测是自 ...
- Graph convolution network with similarity awareness and adaptive calibration...MIA,2020.
Song X, Zhou F, Frangi A F, et al. Graph convolution network with similarity awareness and adaptive ...
最新文章
- 随机一段字符串,浏览器点击复制
- luanet更名为distri.lua
- python与excel的关系-Python 与 Excel 不得不说的事
- 自动生成Insert数据的SQL脚本
- SaaS新模式:业务、财务与支付无缝对接
- python默认参数的传参方式_如何跳过在Python方法中提供默认参数
- 叮——这有一打让你666的测试终极资料包,请查收!
- 安装qt5后编译运行后有关Qt at-spi的警告
- 第13周 本周个人总结
- 获取网络时间(国家标准时间)
- 线性表的链式存储结构——链表及其操作(创建,查找,插入,输出,删除)
- 从CentOS7默认安装的/home中转移空间到根目录/ - LVM操作简明教程
- TWS真无线蓝牙耳机自动化测试设备助力TWS自动化批量生产
- Si24R1,CI24R1,nRF24L01简单解析对比
- 采用晶体管作为电子元器件的计算机属于,采用晶体管作为电子元器件的计算机属于(...
- java 磁力下载工具_它可能是现在最好用的磁力下载工具
- java 实现短信验证码
- 基于三相VSR的SVPWM调制
- 强烈推荐这些值得下载的神仙工具,每一个都让人惊喜
- Linux无桌面环境下,实现USB的自动挂载/卸载
热门文章
- 谈学习:合格的编程自学者必须知道的几点
- 检测 USB 设备拨插的 C# 类库:USBClassLibrary
- 怎么给没链接的flash加超链接
- 解决 网上下载的例子 My Mac 64-bit 不能运行的问题
- JUnit单元测试的几个规律总结
- [导入]屏蔽相应键盘按钮
- 说一下php的自动加载,php的_autoload函数实现自动加载类的使用
- web中“/”写在不同地方时的值不同
- angular 定时函数
- Codeforces Round #503 (by SIS, Div. 2) C. Elections