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
530
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
22
Other Decks in Technology
See All in Technology
Navigation3でViewModelにデータを渡す方法
mikanichinose
0
220
VISITS_AIIoTビジネス共創ラボ登壇資料.pdf
iotcomjpadmin
0
160
エンジニア向け技術スタック情報
kauche
1
250
急成長を支える基盤作り〜地道な改善からコツコツと〜 #cre_meetup
stefafafan
0
120
LinkX_GitHubを基点にした_AI時代のプロジェクトマネジメント.pdf
iotcomjpadmin
0
170
Agentic Workflowという選択肢を考える
tkikuchi1002
1
490
SalesforceArchitectGroupOsaka#20_CNX'25_Report
atomica7sei
0
150
MySQL5.6から8.4へ 戦いの記録
kyoshidaxx
1
200
Wasm元年
askua
0
140
【5分でわかる】セーフィー エンジニア向け会社紹介
safie_recruit
0
26k
~宇宙最速~2025年AWS Summit レポート
satodesu
1
1.8k
M3 Expressiveの思想に迫る
chnotchy
0
100
Featured
See All Featured
Java REST API Framework Comparison - PWX 2021
mraible
31
8.6k
The Web Performance Landscape in 2024 [PerfNow 2024]
tammyeverts
8
670
Unsuck your backbone
ammeep
671
58k
Facilitating Awesome Meetings
lara
54
6.4k
Raft: Consensus for Rubyists
vanstee
140
7k
Imperfection Machines: The Place of Print at Facebook
scottboms
267
13k
Reflections from 52 weeks, 52 projects
jeffersonlam
351
20k
KATA
mclloyd
29
14k
It's Worth the Effort
3n
185
28k
Save Time (by Creating Custom Rails Generators)
garrettdimon
PRO
31
1.2k
Practical Tips for Bootstrapping Information Extraction Pipelines
honnibal
PRO
20
1.3k
How To Stay Up To Date on Web Technology
chriscoyier
790
250k
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