LightGCN: Simplifying and Powering Graph ConvolutionNetwork for Recommendation

본 게시글은 LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation를 읽고 작성한 글입니다.

 

1. Title

LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation

 

2. Abstract

그래프 합성곱 네트워크(GCN)의 추천 시스템에서의 효과의 이유가 알려져 있지 않다.

기존 GCN 이용 연구는 GCN에 대한 철저한 분석이 부족하여, 

이 논문에서 GCN의 특성 변환과 비선형 활성화가 협업 필터링의 성능에 거의 기여하지 않음을 보여준다.

또한 이를 포함시키면 훈련 난이도가 높아지고 추천 성능이 저하된다.

 

따라서 GCN의 설계를 단순화하여 추천 시스템에 더 간결하고 적합하게 만들려 한다.

GCN의 핵심인 '이웃 집계'만을 포함하는 LightGCN을 제안하여 구현 및 훈련을 간편하게 하려 한다.

 

3. 목표

GCN의 설계 중 불필요한 복잡성을 단순화하여 추천 시스템에 더 적합하게 만든다.

 

4. 방법

기존 GCN에서 '특성 변환'과 '비선형 활성화 함수'를 제거하고, neighborhood aggregation만을 유지

사용자-아이템 상호작용 그래프에서 임베딩을 선형적으로 전파하는 방식(각 노드의 임베딩을 이웃 노드의 임베딩의 가중 평균으로 업데이트 하는 것-oversmoothing 방지 및 다양한 차수의 연결성 포착 가능) 채택

베이지안 개인화 랭킹 (BPR) 손실함수 사용

 

5. 결과

기존 모델인 NGCF에 비해 16%의 성능 향상,

더 낮은 훈련 손실과 더 높은 테스트 정확도 달성, 즉 더 쉽게 훈련되고 일반화 능력이 뛰어남

절제 연구를 통해 특성 변환과 비선형 활성화가 협업 필터링의 성능에 기여하지 않음을 입증

 

6. 향후계획

이를 다른 아이템 지식 그래프, 소셜 네트워크 등의 모델에 적용해보고,

층 결합 가중치를 개인화해서 다양한 사용자에 대해 적응형 차수 평활화 하기