Paper: https://arxiv.org/abs/2110.15114
PR113 Facebook group: https://www.facebook.com/groups/565858127904979
1. LightGCN이라는 efficient GCN for CF 구조도 있지만 이거도 복잡하다!
- i-th layer에서 user-user, user-item, item-item 간 weight이 다름
- 다양한 type의 relationship 학습이 달라짐
- Layer 많이 쌓을수록 higher-order signal을 잡아야 하는데 LightGCN은 2-3 layer 이상부터 성능 하락
- Message passing이 필요할까?
2. CF를 위해 explicit message passing을 버릴 수 있을까?
- User-Item relationship은 기존 GCN에서의 convergence state를 바로 학습시킴(eq.9 ~ eq.10)
- Convergence state가 BCE loss에 weight로 반영
- User-User, Item-Item 관계도 중요한데 이게 user-item과 같은 방식으로 학습해도 될까?
- Unreasonable edge weight assignment(2.2)
- User-Item과는 다른 방식으로 학습시켜야 하는데, explicit message passing 안 쓰니까 좀 더 쉽게 분리 가능
- 논문에서는 우선 Item-Item 관계만 사용
- Item-Item co-occurence graph G 생성
- G의 weight 기반 item i에 대해 co-occurence 높은 top-k items set S(i) sampling
- Item i와 positive pair인 user u에 대해, S(i)에 속하는 item도 같이 학습(BCE with weight from G)
3. SOTA(LightGCN, DGCF, etc.)보다 성능이 더 좋은데, LightGCN 대비 10x 빠르다!
