LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation

Paper: Xiangnan He; Kuan Deng; Xiang Wang; Yan Li; Yongdong Zhang; Meng Wang (2020). "LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation." SIGIR 2020. arXiv:2002.02126v4. PDF

1. 추천 그래프에서 필요한 것은 무엇인가

협업 필터링의 그래프는 사용자와 아이템, 그리고 관측된 상호작용으로 이루어진 이분 그래프다. LightGCN의 출발점은 일반 GCN의 feature transformation과 비선형 활성화가 이 그래프에서는 큰 도움이 되지 않으며 오히려 학습을 어렵게 할 수 있다는 실험 관찰이다. 그래서 이웃의 임베딩을 정규화해 모으는 연산만 남긴다.

그림 1. 원논문 arXiv v4 PDF p. 3의 Figure 1을 인용했다. Gowalla와 Amazon-Book에서 NGCF의 feature transformation과 nonlinear activation을 제거한 변형들의 학습 손실·Recall@20 변화를 보인다. 이 곡선은 특정 데이터셋과 NGCF 계열 절제의 결과이지, 모든 추천 신경망에서 비선형성이 해롭다는 증명은 아니다.

2. 방법: 이웃을 선형으로 전파하고 여러 깊이를 합친다

사용자와 아이템은 초기 임베딩에서 시작한다. 한 층은 사용자가 상호작용한 아이템 임베딩을, 아이템은 상호작용한 사용자 임베딩을 차수로 정규화해 평균한다. LightGCN은 이 과정에서 층마다 새 가중치 행렬을 곱하거나 ReLU를 넣지 않는다. 대신 0층의 원래 임베딩부터 여러 전파 층의 임베딩까지 가중합해 최종 표현을 만든다.

그림 2. 원논문 arXiv v4 PDF p. 4의 Figure 2를 인용했다. 사용자와 아이템 이웃에서 정규화 합으로 메시지를 모으고, 각 층 표현을 weighted sum으로 결합해 예측에 쓰는 구조다. 그림은 가중치를 어떻게 학습했는지보다, 깊이가 다른 협업 신호를 함께 쓰는 설계를 설명한다.

예를 들어 사용자가 영화 A를 보고, A를 본 다른 사용자가 영화 B를 봤다면 전파를 거듭하면 이 경로의 협업 신호가 표현에 반영된다. 한 층만 쓰면 직접 취향에는 강하지만 멀리 있는 협업 신호를 놓칠 수 있고, 너무 깊으면 서로 다른 취향이 섞일 수 있다. 층 결합으로 여러 깊이의 표현을 함께 쓴다.

3. 결과: 같은 NGCF 설정에서의 단순화 이득

논문은 Yelp2018, Gowalla, Amazon-Book에서 Recall@20과 NDCG@20으로 비교하고, LightGCN이 NGCF보다 평균 약 16% 상대 향상을 보인다고 보고했다. 이 수치는 세 데이터셋의 top-20 오프라인 ranking 지표에 대한 상대 개선이며, 클릭률·매출·사용자 만족도 16% 증가를 뜻하지 않는다.

절제 실험에서는 두 구성요소를 함께 빼도 성능이 떨어지지 않았다. 추천 상호작용 그래프에서 노드 feature가 범주·텍스트처럼 풍부한 입력이라기보다 학습할 ID embedding인 점이 이유로 제시된다. 하지만 이 관찰은 content feature와 시간 정보가 많은 추천, 지식 그래프 추천, 세션 추천으로 자동 확장되지 않는다.

4. 적용 조건과 한계

LightGCN은 암묵적 피드백 이분 그래프, top-k 추천, 상대적으로 안정된 상호작용 로그에 맞는 강한 기준선이다. 실무에서는 최근성, 노출 편향, 콜드스타트, 재고와 다양성 제약을 별도 모듈로 다뤄야 한다. 그래프에 없는 신규 사용자·신규 아이템은 이웃 전파만으로 표현을 얻지 못한다.

또한 offline Recall·NDCG는 후보 생성과 과거 로그에 대한 순위를 본다. 추천 결과를 실제로 노출했을 때의 반응은 위치 편향과 정책 피드백에 달려 있다. LightGCN의 단순함은 출발점으로 유용하지만 온라인 효과를 보장하지는 않는다.

5. 정리

LightGCN은 ‘추천 그래프에 필요한 신호만 남기자’고 제안한다. ‘더 많은 신경망 층’이 목적은 아니다. 선형 이웃 집계와 층 결합은 구현과 학습을 단순하게 하면서, 원 논문의 세 데이터셋에서 강한 순위 성능을 냈다. 이후 모델을 비교할 때도 먼저 feature transformation·activation·층 결합 각각이 자신의 데이터에서 실제 이득을 내는지 확인하는 기준점이 된다.

심층 보기

References

He, X., Deng, K., Wang, X., Li, Y., Zhang, Y., & Wang, M. (2020). LightGCN: Simplifying and powering graph convolution network for recommendation. Proceedings of SIGIR 2020, 639–648. https://arxiv.org/abs/2002.02126