重新审视LightGCN：意料之外的僵化性、不一致性，以及改进推荐系统的解决方案

《ACM Transactions on Recommender Systems》：Revisiting LightGCN: Unexpected Inflexibility, Inconsistency, and A Remedy Towards Improved Recommendation

LightGCN通过分层聚合和共享嵌入机制提升推荐性能，但其固定嵌入归一化与静态邻居权重导致实际应用中存在灵活性不足的问题。改进的LightGCN++采用动态嵌入归一化、自适应邻居加权及分层池化策略，在保持简洁性前提下将NDCG@10提升29.38%，有效解决多领域推荐中的不一致性问题

　　

摘要

图神经网络（GNNs）已成为推荐系统中的有效工具。在各种GNN模型中，LightGCN以其简洁性和出色的性能而脱颖而出。其高效性使其在包括社交、捆绑产品和多媒体推荐在内的不同领域得到了广泛应用。在本文中，我们深入研究了LightGCN的机制，重点关注了其用于缩放嵌入、聚合邻居以及跨层池化嵌入的策略。我们的分析表明，与基于其设计的预期相反，LightGCN在应用于实际数据时存在灵活性不足和一致性问题。

我们推出了LightGCN++，这是对LightGCN的改进版本，旨在解决上述局限性。LightGCN++引入了灵活的嵌入范数缩放和邻居权重机制，并采用了一种定制的方法来处理逐层池化嵌入，以解决发现的一致性问题。尽管这是一种非常简单的改进措施，但广泛的实验结果表明，LightGCN++的性能显著优于LightGCN，在NDCG@10指标上提升了高达29.38%。此外，将LightGCN作为基础模型用于物品推荐、捆绑产品推荐、多媒体推荐和知识图谱推荐的高级模型，在配备了LightGCN++后也表现出了更好的性能。