Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
LightGCN: Simplifying and Powering Graph Convol...
Search
tetsu9923
January 10, 2022
Technology
0
580
LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation
tetsu9923
January 10, 2022
Tweet
Share
More Decks by tetsu9923
See All by tetsu9923
Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting
tetsu9923
0
46
Deep-learning Architecture for Short-term Passenger Flow Forecasting in Urban Rail Transit
tetsu9923
0
24
Other Decks in Technology
See All in Technology
Findy Team+のSOC2取得までの道のり
rvirus0817
0
370
Shirankedo NOCで見えてきたeduroam/OpenRoaming運用ノウハウと課題 - BAKUCHIKU BANBAN #2
marokiki
0
150
about #74462 go/token#FileSet
tomtwinkle
1
420
Oracle Base Database Service 技術詳細
oracle4engineer
PRO
11
78k
英語は話せません!それでも海外チームと信頼関係を作るため、対話を重ねた2ヶ月間のまなび
niioka_97
0
130
Function calling機能をPLaMo2に実装するには / PFN LLMセミナー
pfn
PRO
0
960
BtoBプロダクト開発の深層
16bitidol
0
380
BirdCLEF+2025 Noir 5位解法紹介
myso
0
200
定期的な価値提供だけじゃない、スクラムが導くチームの共創化 / 20251004 Naoki Takahashi
shift_evolve
PRO
3
330
PLaMoの事後学習を支える技術 / PFN LLMセミナー
pfn
PRO
9
3.9k
LLM時代にデータエンジニアの役割はどう変わるか?
ikkimiyazaki
4
900
組織観点からIAM Identity CenterとIAMの設計を考える
nrinetcom
PRO
1
190
Featured
See All Featured
Optimising Largest Contentful Paint
csswizardry
37
3.4k
The Success of Rails: Ensuring Growth for the Next 100 Years
eileencodes
46
7.6k
Bash Introduction
62gerente
615
210k
Mobile First: as difficult as doing things right
swwweet
224
10k
Facilitating Awesome Meetings
lara
56
6.6k
The Pragmatic Product Professional
lauravandoore
36
6.9k
Scaling GitHub
holman
463
140k
Building Flexible Design Systems
yeseniaperezcruz
329
39k
Done Done
chrislema
185
16k
The Illustrated Children's Guide to Kubernetes
chrisshort
48
51k
Code Reviewing Like a Champion
maltzj
525
40k
We Have a Design System, Now What?
morganepeng
53
7.8k
Transcript
LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation [He+,
SIGIR 2020] • テーマ • 情報推薦向けに単純化したGCNモデルを提案 • 概要 • GCNを用いた協調フィルタリングの手法である Neural Graph Collaborative Filtering (NGCF) [Wang+, SIGIR 2019] の構造を単純化したLightGCNを提案 • 結果 • NGCFよりも計算コスト、精度の両面で性能向上 1
Neural Graph Collaborative Filtering (NGCF) [Wang+, SIGIR 2019] • GCNを用いてユーザ・アイテム間の相互関係を考慮した
埋め込み表現を得る手法 • それらの内積をとってリンクごとにスコアを得る 2
Neural Graph Collaborative Filtering (NGCF) [Wang+, SIGIR 2019] 3 ユーザ埋め込みベ
クトル アイテム埋め込み ベクトル ユーザ𝑢に隣接 するアイテム𝑖 アイテム𝑖に隣接 するユーザ𝑢
NGCFの各要素を取り除く • NGCFの各要素を取り除き、単純化したモデルの精度を検証 • NGCF-f: 特徴変換行列 , を取り除く • NGCF-n:
非線形関数σを取り除く • NGCF-fn: , とσの両方を取り除く 4
NGCFの各要素を取り除く • 非線形関数σを取り除くと精度は下がるが、特徴変換行列 , を 取り除くと精度が上がる • 両方取り除くと最も精度が高くなる 5
LightGCN • 各層では近傍ノードの特徴量の和を取るだけ • 各層の出力の重み付き和( )を最終的な出力とする • 学習するパラメータはノードの初期特徴量 , のみ
6
LightGCN 7
結果 8 • 精度、収束速度の両面でLightGCNが優れている • Gowalla: ユーザを推薦?(位置情報を利用したSNS) • Yelp2018: お店を推薦(≒食べログ)
• Amazon-book: 本を推薦
結果 • 精度、収束速度の両面でLightGCNが優れている • Gowalla: ユーザを推薦?(位置情報を利用したSNS) • Yelp2018: お店を推薦(≒食べログ) •
Amazon-book: 本を推薦 9
単純化して精度が上がる理由の考察 • 一般的なGCNのノード分類タスクでは、ノードに意味的な特徴量が 付与される(e.g. 論文のdoc2vec) • ユーザ・アイテム間の関係を表すグラフにおいては、 ノードの初期特徴量がIDを表すone-hotベクトルでしかない → 特徴変換や非線形関数をかける操作がより良い特徴量を学習する
ことに貢献しない • 単純な入力に複雑すぎる操作を加えても意味ない、というイメージ 10
まとめ • テーマ • 情報推薦向けに単純化したGCNモデルを提案 • 概要 • GCNを用いた協調フィルタリングの手法である Neural
Graph Collaborative Filtering (NGCF) [Wang+, SIGIR 2019] の構造を単純化したLightGCNを提案 • 結果 • NGCFよりも計算コスト、精度の両面で性能向上 11