【图卷积】 LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation

原创 已于 2023-10-30 22:14:28 修改 · 4.4k 阅读 · 8
标签
#算法 #聚类 #机器学习
于 2022-04-01 15:25:08 首次发布
本文介绍了LightGCN模型，该模型通过去除GCN中的特征转换和非线性激活，简化了图卷积网络，以提高推荐系统的性能。在用户-项目交互图上进行线性传播，学习用户和项目的嵌入，并通过层的加权和得到预测得分。LightGCN在NGCF的基础上进一步优化，实验证明其在召回率和损失上有显著提升，且仅需训练初始嵌入，降低了模型复杂性。

#论文题目：LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation（LightGCN: 简化和增强图卷积网络的推荐）
#论文地址：https://dl.acm.org/doi/10.1145/3397271.3401063
#论文源码开源地址：https://github.com/gusye1234/LightGCN-PyTorch
#论文所属会议：SIGIR 20

一、创新点

作者提出一个简化GCN的模型LightGCN，只包含GCN最重要的组成部分，例如领域的聚合，多层传播，抛弃了GCN最常见的设计-特征转换和非线性激活两个步骤，并且通过在用户-项目交互图上线性传播用户和项目的嵌入来学习它们，最后将所有层上学习到的用户和项目嵌入加权和算作最后的预测得分。

本质：传统GCN的方法被改进成为NGCF方法，LightGCN方法是在NGCF方法上进行二次改进得到的一种新方法。

二、NGCF方法导读

2.1 NGCF方法简介

我们在将用户和项目从ID嵌入成向量后，然后利用用户-项目二部图来进行传播，传播算法如下：
在这里插入图片描述
其中eu(k)和 ei(k) 分别表示用户u的向量表示和项目i的向量表示，k表示传播的层数， σ\sigma</

最低0.47元/天 解锁文章
LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation
nuist_Jiang的博客
10-24 2471
from Xiangnan He , University of Science and Technology of China, published in SIGIR‘20， July 25-30,Virtual Event, China. 研究背景 GCN（图卷积网络）成为协同过滤的最新技术，但是推荐的有效性原因不明确，现有工作缺乏对GCN的彻底的消融分析。GCN中最常见的两个设计-特征转换和非线性激活-对协作过滤的性能几乎没有贡献。更糟糕的是，包括它们会增加培训的难度并降低推荐性能。 GCN具体是做什
经典图推荐系统论文LightGCN算法及代码简介
Blueghost19的博客
03-20 1万+
图卷积网络（Graph Convolution Network，GCN）已经被广泛地应用于推荐系统。然而先前基于GCN进行协同过滤的工作（例如NGCF）缺少对GCN的消融研究。作者指出GCN最初被设计用于图上的节点分类任务，并且GCN的特征转换与非线性激活过程并不适用于协同过滤。基于此，作者在标准的GCN的基础上针对推荐任务进行了简化，提出了轻量级图卷积网络（LightGCN）。本文对LightGCN的算法与代码细节进行了简要介绍。
从零到一：手把手教你用PyTorch复现LightGCN推荐模型（附完整代码）
最新发布
weixin_42662605的博客
04-29 366
本文详细介绍了如何使用PyTorch从零开始复现LightGCN推荐模型，包括环境配置、数据预处理、图结构建模、模型架构实现及训练优化。通过完整代码示例和实战技巧，帮助开发者快速掌握这一高效推荐算法，提升推荐系统性能。
推荐系统笔记（五）：lightGCN算法原理与背景
热门推荐
qq_46006468的博客
07-29 2万+
lightGCN是将图卷积神经网络应用于推荐系统当中，是对神经图协同过滤（NGCF）算法的优化和改进。lightGCN相比于其对照算法提升了16%左右，在介绍lightGCN之前应该知道NGCF的基本原理。 首先，协同过滤的基本假设是相似的用户会对物品展现出相似的偏好，自从全面进入深度学习领域之后，一般主要是先在隐空间中学习关于user和item的embedding，然后重建两者的交互即interaction modeling，如MF做内积，NCF模拟高阶交互等。但是他们并没有把u
【推荐算法论文阅读】LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation
qq_36643449的博客
03-17 1254
这篇文章是基于NGCF提出的改进，NGCF相关的工作参考【推荐算法论文阅读】Neural Graph Collaborative Filtering 一、背景 通过严格的对照实验（在相同的数据集和评估指标上），我们得出结论，从 GCN 继承的两个操作——特征转换和非线性激活——对 NGCF 的有效性没有任何贡献。 更令人惊讶的是，删除它们会显着提高准确性。 这反映了在图神经网络中添加对目标任务无用的操作的问题，这不仅没有带来任何好处，反而降低了模型的有效性。 受这些实证发现的启发，我们提出了一个名为 Lig
LightGCN：Simplifying and Powering Graph Convolution Network for Recommendation【论文精读】
weixin_46351593的博客
11-08 2296
NCF全称：Neural Collaborative Filtering。当时（2017年），深度神经网络在语音识别、计算机视觉和自然语言处理方面取得了巨大成功。然而，深度神经网络在推荐系统上的探索相对较少。在这项工作中，作者开发基于神经网络的技术来解决推荐中的关键问题——基于隐式反馈的协同过滤。通过将内积（传统MF）替换为可以从数据中学习任意函数的神经架构，作者提出了一个通用框架NCF，称基于神经网络的协同过滤。NGCF全称：NeuralGraph用户和项目的学习向量表示（即Embedding。
【图卷积推荐论文阅读笔记】LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation
weixin_45371401的博客
05-30 1942
1）通过实验证明，GCN的**特征转换**和**非线性激活**，对协同过滤的有效性没有积极影响; 2）提出LightGCN，它通过仅包括GCN最重要的推荐组件，简化了模型设计并提高了性能； 3）按照相同的设置同其他先进协同过滤和图卷积推荐模型进行比较，对LightGCN的合理性进行了深入分析。
论文笔记：LightGCN Simplifying and Powering Graph Convolution Network for Recommendation
qq_44015059的博客
08-14 2403
前言 论文链接：https://arxiv.org/abs/2002.02126 github：https://github.com/gusye1234/LightGCN-PyTorch 参考：https://blog.csdn.net/qq_39388410/article/details/106970194 https://blog.csdn.net/u013422128/article/details/107504654 图卷积网络(GCN)已经成为协同过滤的最新技术。然而，对于推荐的有效性的原因却没
论文阅读：LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation
qq_43431934的博客
03-04 4216
论文阅读：LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation paper：https://arxiv.org/abs/2002.02126code：https://github.com/kuandeng/LightGCN NGCF和LightGCN模型展示对比 何向南老师组的两大必读论文NGCF和LightGCN，分别发在SIGIR19’和SIGIR20’。 LightGCN模型的总体...
【论文笔记】LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation --- SIGIR2020
weixin_44884854的博客
10-10 1万+
本文提出了一种轻型但是有效的GCN网络用于推荐系统 摘要 GCN在协同过滤中已经变成了一个最先进的方法，但是，它有效性的理由一直没有被理解。现有的工作缺少对GCN的彻底消融分析（thorough ablation analyses），然而，我们发现两个最常见的GCNs操作（特征变化和非线性激活）对协同过滤是没有用的，甚至还会增加训练的复杂度并且降低推荐系统的表现。 在本文中，我们对GCN的设计进行了简化让它更加适用于推荐系统，我们把它叫做LightGCN。它只包含GCN中最基本的结构（邻居聚合）.
轻量级图卷积网络LightGCN介绍和构建推荐系统示例
datayx的文章
04-25 2346
向AI转型的程序员都关注了这个号????????????推荐系统是当今业界最具影响力的 ML 任务。从淘宝到抖音，科技公司都在不断尝试为他们的特定应用程序构建更好的推荐系统。而这项任务并没有变得更容易，因为我们每天都希望看到更多可供选择的项目。所以我们的模型不仅必须做出最优推荐，而且还必须高效地做出推荐。今天介绍的这个模型被称作：Light Graph Convolution Network 或 LightGCN¹...
LightGCN
Angeliaaa的博客
03-10 5819
简介：本文提出了一种轻型但是有效的GCN网络用于推荐系统，它舍弃了传统GCN的特征变换和非线性激活，并通过实验验证了这两种操作对协同过滤是无效的，同时提出了一种轻量级的GCN网络构建模型（LightGCN）用于推荐系统。 LightGCN它只包含GCN中最基本的结构（邻居聚合）用于协同过滤。LightGCN通过在用户-物品交互矩阵上进行线性传播来学习用户和物品的嵌入，最后将所有层学习到的嵌入的加权和作为最终嵌入。这种简单、线性的模型是很容易实施和训练的，并且在同样的实验条件下相...
LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation论文学习笔记
wwer142526363的博客
10-11 2542
用户和商品最后表示的内积作为推荐生产的排名分数。
SIGIR20|LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation
qq_34739497的博客
12-16 741
SIGIR20|LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation ABSTRACT 图卷积网络已经成为结合协同过滤算法的最新技术。但是，它推荐的有效性的原因还不是很明确。现有的使GCN适应推荐的工作缺乏对GCN的消融分析，GCN由于参考了卷积神经网络改造而来，所以包含许多神经网络操作。但是作者基于实验发现GCN最常见的两个设计-特征转换和非线性激活对协同过滤的性能几乎没有影响。反而增加了训练的难度
论文《LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation》阅读
xingzhe123456789000的博客
03-19 881
论文《LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation》阅读论文概况Introduction模型分析LightGCN与SGCN的关系LightGCN与APPNP的关系二阶embedding平滑模型训练总结 论文概况 这篇文章是何向南教授刚刚发表在SIGIR 2020上的作品，作者介绍了一个轻量版的GCN模型做推荐系统。 论文地址：LightGCN Introduction 这篇文章的亮点在于将以往
LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation(SIGIR2020)
weixin_43401022的博客
01-12 978
原文链接[2002.02126] LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation (arxiv.org)https://arxiv.org/abs/2002.02126 代码GitHub - kuandeng/LightGCNhttps://github.com/kuandeng/LightGCN 1 INTRODUCTION Neural Graph Collaborative...
LightGCN:简化和增强图卷积网络的推荐
sophilex的博客
04-01 1904
在NGCF上的一些改进，简化了模型的基础上提高了推荐的性能
使用LightGCN实现推荐系统（手撕代码+分析）
weixin_44905312的博客
08-03 1万+
LightGCN代码分析
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值