【論文要約】LightGCN: 推薦システムのためのシンプル化したGCN
LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation
He, X., Deng, K., Wang, X., Li, Y., Zhang, Y. and Wang, M., 2020, July. Lightgcn: Simplifying and powering graph convolution network for recommendation. In Proceedings of the 43rd International ACM SIGIR conference on research and development in Information Retrieval (pp. 639-648).
どんな論文？
協調フィルタリングにおいて、既存手法の GCN の設計を簡略化したLightGCNを提案した論文。既存の GCN ベースの推薦モデルに対して平均で約16.0%の改善をしている。
先行研究と比べてどこがすごい？
既存研究では、協調フィルタリングのために離れた(high-hopな)頂点をサブグラフに含め考慮するための手法として Neural Graph Collaborative Filtering(NGCF) が提案されるなど、GCNを用いた手法により推薦モデルの性能が向上した。しかし、GCNを直接適用しただけなので無駄が多く協調フィルタリングに最適化されているとは言えなかった。
この研究では、GCN の設計を簡略化することで推薦に適したモデルを提案し、最先端の GCN ベースの推薦モデルである Neural Graph Collaborative Filtering (NGCF) に対して大幅な改善（平均で約 16.0% の相対改善）をしている。
技術・手法・モデルのキモはどこ？
協調フィルタリングのタスクにおいて、GCN で一般的な 2 つの機構である feature transformation と nonlinear activation を取り除くことで、効率性とパフォーマンスの両者を向上させた。
NGCFの場合
LightGCNの場合
余分なfeature transformation と nonlinear activationが無くなりシンプルになっている。
どうやって有効だと検証した？
最終的に得られる埋め込み行列がSGCNやAPPNPなどのGNNを行列演算で表現したときの形と近いことを示し、その関係性を示した。
LightGCN
SGCN
APPNP
NGCFや他の既存手法よりも優れていることを実験的に示した。
議論はある？
考察されているように、簡素化による性能向上は頂点の情報がone-hot IDで表現されて他にあまり情報が無いことに起因する。user-item間の情報以外に、頂点の情報が豊富に得られるような状況では通常のGCNのほうが高い性能を得られる可能性もありそう。
Discussion