Le Réseau de Convolution sur Graphes (GCN) est devenu une nouvelle méthode de pointe pour le filtrage collaboratif. Néanmoins, les raisons de son efficacité dans le domaine de la recommandation restent mal comprises. Les travaux existants qui adaptent le GCN à la recommandation manquent d’analyses ablatives approfondies sur les composants du GCN, qui a été initialement conçu pour des tâches de classification de graphes et comporte de nombreuses opérations réseaux de neurones. Toutefois, nous observons empiriquement que les deux conceptions les plus courantes dans les GCN — la transformation des caractéristiques et l’activation non linéaire — contribuent très peu à la performance du filtrage collaboratif. En fait, leur inclusion augmente la difficulté d’entraînement et dégrade les performances de recommandation.Dans ce travail, nous visons à simplifier la conception du GCN afin de le rendre plus concis et mieux adapté à la recommandation. Nous proposons un nouveau modèle nommé LightGCN, qui ne conserve que le composant essentiel du GCN — l’agrégation des voisins — pour le filtrage collaboratif. Plus précisément, LightGCN apprend les embeddings des utilisateurs et des articles en les propageant de manière linéaire sur le graphe d’interaction utilisateur-article, et utilise la somme pondérée des embeddings appris à toutes les couches comme embedding final. Ce modèle simple, linéaire et élégant est bien plus facile à implémenter et à entraîner, et présente une amélioration substantielle (environ 16,0 % d’amélioration relative en moyenne) par rapport au modèle NGCF — un modèle de recommandation basé sur GCN de pointe — dans des conditions expérimentales strictement identiques. Des analyses complémentaires sont également fournies pour justifier rationnellement la simplicité de LightGCN, à la fois d’un point de vue analytique et empirique.