LightGCN：推薦用グラフ畳み込みネットワークの簡素化と強化

グラフ畳み込みネットワーク（GCN）は、協調フィルタリングにおける新たな最先端技術として注目されている。しかし、GCNが推薦性能に寄与する理由については、まだ十分に理解されていない。既存のGCNを推薦に適応した研究は、元々グラフ分類タスク向けに設計され、多数のニューラルネットワーク演算を備えたGCNに対して、包括的なアブレーション解析を実施していない。本研究では、GCNの二つの代表的な設計——特徴変換と非線形活性化——が、協調フィルタリングにおいてほとんど貢献していないことを実証的に発見した。さらに、これらの要素を含めることにより、学習の難易度が増し、結果として推薦性能が低下するという悪影響も確認された。本研究では、GCNの設計を簡素化し、推薦タスクにより適した明快かつ効率的なモデルを構築することを目的とする。そこで、GCNにおける最も本質的な要素である「近傍集約（neighborhood aggregation）」のみを採用する新しいモデル「LightGCN」を提案する。具体的には、LightGCNはユーザーとアイテムの埋め込みを、ユーザー・アイテム相互作用グラフ上で線形に伝搬させることで学習し、全層で得られた埋め込みの重み付き和を最終的な埋め込みとして用いる。このシンプルで線形的かつ構造的に整ったモデルは、実装および学習が格段に容易であり、同一の実験設定下で、最先端のGCNベースの推薦モデルであるNeural Graph Collaborative Filtering（NGCF）と比較して、平均で約16.0％の相対的な性能向上を達成した。さらに、解析的および実証的な観点から、LightGCNの設計の合理性について詳細な検証を提供している。