摘要

图卷积网络（Graph Convolution Network, GCN）已成为协同过滤任务中的最新技术前沿。然而，其在推荐系统中表现出色的原因尚未得到充分理解。现有将GCN应用于推荐的研究工作，普遍缺乏对GCN核心组件的系统性消融分析。GCN最初是为图分类任务设计的，集成了多种复杂的神经网络操作。然而，我们通过实证研究发现，GCN中两种最常见的设计——特征变换与非线性激活函数——对协同过滤性能的提升贡献极小。更严重的是，引入这些组件反而增加了模型训练的难度，并导致推荐性能下降。在本研究中，我们致力于简化GCN的结构设计，使其更加简洁、适配推荐任务的本质需求。为此，我们提出一种新型模型——LightGCN，该模型仅保留GCN中最核心的组件：邻域聚合（neighborhood aggregation）。具体而言，LightGCN通过在用户-物品交互图上进行线性传播来学习用户与物品的嵌入表示，并将各层学习到的嵌入进行加权求和，作为最终的嵌入表示。这种结构简单、线性且优雅的模型在实现与训练上均更为高效。在完全相同的实验设置下，LightGCN相较于当前最先进的基于GCN的推荐模型——神经图协同过滤（Neural Graph Collaborative Filtering, NGCF），平均实现了约16.0%的相对性能提升。此外，本文从理论分析与实证两个角度进一步探讨了LightGCN简洁设计的合理性，为其有效性提供了充分支持。