بفضل النجاح الأخير لشبكات الت.Convolution الرسومية (GCNs)، تم تطبيقها على نطاق واسع في مجال التوصية، حيث حققت تحسينات ملحوظة في الأداء. وتنبع القوة الأساسية لشبكات GCNs من آلية تبادل الرسائل التي تُستخدم لجمع المعلومات من الجيران. ومع ذلك، لاحظنا أن آلية تبادل الرسائل تؤدي إلى تباطؤ كبير في معدل تقارب الشبكات أثناء التدريب، خاصة في أنظمة التوصية الكبيرة الحجم، مما يعيق انتشارها على نطاق واسع. وقد قدمت LightGCN محاولة مبكرة لتبسيط شبكات GCNs للتصفية التعاونية من خلال حذف التحويلات المميزة والوظائف غير الخطية. وفي هذا البحث، نأخذ خطوة إضافية لاقتراح صيغة مبسطة جدًا لشبكات GCNs (تسمى UltraGCN)، والتي تتجاوز التكرار اللانهائي لطبقات تبادل الرسائل لتحقيق توصية فعّالة. بدلًا من تبادل الرسائل الصريح، تعتمد UltraGCN على تقريب مباشر للحد الناتج عن التباين الرسومي اللانهائي عبر دالة خسارة مقيدة. وفي الوقت نفسه، تتيح UltraGCN توزيعًا أكثر ملاءمة لوزن الحواف، بالإضافة إلى مرونة في ضبط الأهمية النسبية بين أنواع مختلفة من العلاقات. ويؤدي ذلك في النهاية إلى نموذج UltraGCN بسيط لكنه فعّال، سهل التنفيذ وفعال في التدريب. أظهرت النتائج التجريبية على أربع مجموعات بيانات معيارية أن UltraGCN لا تتفوق فقط على أحدث نماذج GCNs، بل تحقق أيضًا تسريعًا يزيد عن 10 مرات مقارنة بـ LightGCN. سيتم إتاحة الكود المصدري للبحث على الرابط: https://reczoo.github.io/UltraGCN.