UltraGCN：推薦におけるグラフ畳み込みネットワークの極限的簡略化

グラフ畳み込みネットワーク（GCN）の最近の成功に伴い、推薦システムへの応用が広がり、著しい性能向上が達成されている。GCNの核となるのは、隣接ノードの情報を集約するメッセージパッシング機構である。しかし、本研究では、特に大規模な推薦システムにおいて、メッセージパッシングが訓練過程における収束を著しく遅らせることが明らかになった。これにより、GCNの広範な導入が阻害されている。LightGCNは、特徴変換や非線形活性化関数を省略することで、協調フィルタリング向けにGCNを簡素化する初期の試みを示した。本論文では、さらに一歩進んで、無限層のメッセージパッシングをスキップする超簡素化されたGCNの定式化（UltraGCNと呼ぶ）を提案する。具体的には、明示的なメッセージパッシングを回避し、制約損失を用いて無限層グラフ畳み込みの極限を直接近似する。同時に、UltraGCNはより適切なエッジ重みの割り当てを可能とし、異なる種類の関係性間の相対的重要性を柔軟に調整できる。その結果、実装が容易で訓練効率の高い、シンプルかつ効果的なUltraGCNモデルが得られた。4つのベンチマークデータセットにおける実験結果から、UltraGCNは最先端のGCNモデルを上回る性能を発揮するとともに、LightGCNに対して10倍以上の高速化を達成した。本研究のソースコードは、https://reczoo.github.io/UltraGCN にて公開予定である。