[논문 리뷰] NGCF (SIGIR’19) & LightGCN (SIGIR’20)

논문을 읽게 된 계기

GCN을 처음 협업 필터링에 사용한 연구 (NGCF)와 이를 단순하게 발전시킨 연구 (LightGCN)를 리뷰하게 되었다!

Reviewed Papers

Neural Graph Collaborative Filtering

LightGCN: Simplifying and Powering Graph Convolution Network for…

Using GCN for Collaborative Filtering

Collaborative Filtering

• 비슷한 행동을 하는 사용자는 비슷한 취향을 가진다라고 가정함
• user-item 상호작용을 기반으로 새로운 상호작용을 예측한다.

Matrix Factorization

• user, item ID에 대해 직접적으로 임베딩해서 inner product로 상호작용을 재생하도록 모델링
• 직접적인 중요한 collaborative signal을 반영하기 어렵다.
  • collaborative signal: target user와 비슷한 행동을 한 user에 대한 임베딩 벡터

  

GCN (Kipf et al., ICLR’17)

• aggregate-combine
  • aggregate: 타겟 노드에 대한 이웃 노드 정보를 가져온다.
  • combine: 정보를 합친다 (ex. average, concat ..)
  • $\tilde{D}$는 self-loop를 갖는 인접행렬로부터 얻은 각 노드의 degree를 대각성분으로 갖는 대각행렬

  

NGCF

• collaborative signal을 반영하여 high-order connectivity를 모델링할 수 있다.
• learnable parameters: W1, W2, embeddings
• 최종임베딩: 각 GCN layer embedding concat

Evaluation

• 비교 모델 대비 최고 성능

Simplifying GCN for Recsys

• NGCF에서 nonlinear activation 없애고 linear transformation 없앤것
• 최종임베딩: 각 GCN layer embedding 평균

Evaluation

• NGCF보다 성능 개선
• 최근의 논문에서도 사용되는 baseline 모델로, 단순하지만 강력한 모델이다.
• 추천시스템에서 선형변환 없는 단순한 모델 성능이 우수한 경향을 보인다.
  • EASE (WWW’19, Netflix): 은닉층이 없는 오토인코더 기반 선형 모델