أصبحت شبكة الت convolution الرسومية (GCN) حديثة الحد الأقصى في مجال التوصية التفاعلية. ومع ذلك، لا يزال سبب فعاليتها في التوصية غير مفهوم بشكل جيد. تفتقر الدراسات الحالية التي تُطبّق GCN على التوصية إلى تحليلات تفصيلية شاملة حول مكونات GCN، التي صُمّمت في الأصل لمهام تصنيف الرسوم، وتمتاز بعدة عمليات شبكة عصبية معقدة. ومع ذلك، وجدنا تجريبيًا أن العمليتين الأكثر شيوعًا في GCN — تحويل الميزات ووظيفة التنشيط غير الخطية — لا تسهمان بشكل كبير في أداء التوصية التفاعلية. بل إن إدماجهما يزيد من صعوبة التدريب ويؤدي إلى تدهور أداء التوصية.في هذا العمل، نهدف إلى تبسيط تصميم GCN لجعله أكثر اختصارًا ومطابقةً لمهام التوصية. نقترح نموذجًا جديدًا يُسمى LightGCN، والذي يتضمن فقط المكون الأساسي الوحيد في GCN — جمع الجيران — لتطبيقه في التوصية التفاعلية. وبشكل محدد، يتعلم LightGCN تمثيلات المستخدمين والعناصر من خلال تنقل خطي لهذه التمثيلات على رسم التفاعل بين المستخدمين والعناصر، ويستخدم المجموع المرجح للتمثيلات المُكتسبة في جميع الطبقات كتمثيل نهائي. يُعد هذا النموذج البسيط والخطي والنظيف سهل التنفيذ والتدريب، ويُظهر تحسينات كبيرة (بمتوسط تحسن نسبي قدره 16.0٪) مقارنةً بنموذج التوصية المبني على GCN المُتقدم حاليًا، وهو NGCF، في نفس ظروف التجربة. كما نقدم تحليلات إضافية تدعم منطقية هذا النموذج البسيط من منظورين: تحليلي وتجريبي.