LightGCN: Vereinfachung und Verbesserung von Graph Convolution Networks für Empfehlungssysteme

Graph Convolution Network (GCN) ist zu einem neuen State-of-the-Art-Verfahren für Collaborative Filtering geworden. Dennoch sind die Gründe für seine Wirksamkeit im Empfehlungssystem bisher nicht gut verstanden. Bestehende Arbeiten, die GCN für Empfehlungen anpassen, führen keine umfassenden Ablationsanalysen bezüglich der GCN durch, die ursprünglich für Graph-Klassifikationsaufgaben entwickelt wurde und zahlreiche neuronale Netzwerkoperationen enthält. Wir stellen jedoch empirisch fest, dass die beiden häufigsten Designelemente in GCNs – Feature-Transformation und nichtlineare Aktivierung – nur geringfügigen Einfluss auf die Leistung des Collaborative Filtering haben. Im schlimmsten Fall erhöhen sie sogar die Trainingskomplexität und verschlechtern die Empfehlungsleistung.In dieser Arbeit zielen wir darauf ab, das Design der GCN zu vereinfachen, um sie präziser und besser für Empfehlungsaufgaben geeignet zu machen. Wir stellen ein neues Modell namens LightGCN vor, das lediglich die wesentliche Komponente der GCN – die Nachbarschaftsaggregation – beinhaltet, und dies für Collaborative Filtering nutzt. Konkret lernt LightGCN Benutzer- und Item-Embeddings durch lineare Propagation auf dem Interaktionsgraph zwischen Nutzern und Artikeln und verwendet die gewichtete Summe der Embeddings, die auf allen Schichten gelernt wurden, als endgültige Embeddings. Dieses einfache, lineare und elegante Modell ist deutlich einfacher zu implementieren und zu trainieren und erzielt im Vergleich zum state-of-the-art-GCN-basierten Empfehlungssystem Neural Graph Collaborative Filtering (NGCF) unter identischen experimentellen Bedingungen durchschnittlich eine relative Verbesserung von etwa 16,0 %. Weitere Analysen liefern Hinweise auf die Plausibilität des einfachen LightGCN-Modells aus sowohl analytischer als auch empirischer Sicht.