LightGCN: 추천을 위한 그래프 컨볼루션 네트워크의 단순화 및 강화

그래프 컨볼루션 네트워크(GCN)는 협업 필터링에 있어서 새로운 최고의 성능을 보이고 있다. 그러나 GCN이 추천 시스템에서 효과적인 이유는 아직 충분히 이해되지 않고 있다. 기존의 GCN을 추천에 적용한 연구들은, 원래 그래프 분류 작업을 위해 설계되었으며 다양한 신경망 연산을 포함하고 있는 GCN에 대해 철저한 아블레이션 분석을 수행하지 못하고 있다. 그러나 우리는 실험적으로 GCN에서 가장 일반적으로 사용되는 두 가지 설계 요소—특성 변환(feature transformation)과 비선형 활성화(nonlinear activation)—이 협업 필터링 성능에 거의 기여하지 않는다는 것을 발견하였다. 더욱 심각한 점은 이러한 요소들을 포함할 경우 학습의 어려움이 증가하고, 추천 성능이 오히려 저하된다는 것이다.본 연구에서는 GCN의 설계를 단순화하여 추천 시스템에 더 적합하고 간결한 모델을 제안한다. 우리는 GCN에서 가장 핵심적인 구성 요소인 이웃 집계(neighborhood aggregation)만을 포함하는 새로운 모델인 LightGCN을 제안한다. 구체적으로, LightGCN은 사용자와 아이템의 임베딩을 사용자-아이템 상호작용 그래프 위에서 선형적으로 전파함으로써 학습하며, 모든 계층에서 학습된 임베딩의 가중 평균을 최종 임베딩으로 사용한다. 이러한 간단하고 선형적이며 정제된 모델은 구현과 학습이 훨씬 쉬우며, 동일한 실험 환경에서 최첨단 GCN 기반 추천 모델인 Neural Graph Collaborative Filtering(NGCF)보다 평균적으로 약 16.0%의 상대적 성능 향상을 보였다. 또한 분석적 및 실험적 관점에서 간단한 LightGCN의 타당성에 대해 추가적인 분석을 제공한다.