Author：Xiangnan He、Kuan Deng、Xiang Wang、Yan Li、Yongdong Zhang、Meng Wang∗
论文地址
1.GCN在CF中成为了最先进的技术，但是对于推荐来说不是很好的理解。2.在应用GCN的相关工作中缺少消融实验的分析。3.GCN被设计之初是为了解决图的分类任务（节点上有很多语义信息）应用了神经网络的操作。4.作者通过实验发现GCN的两个最常见设计特征转换和非线性激活对于CF来说贡献很少的影响或者说带来坏的影响。
提出了lightgcn，对于NGCF做了改动，去除掉NGCF的特征转换（W1、W2）和非线性激活（激活函数）,在最后的预测层把concat换成了每层embeddings的权重和。
NGCF的相关知识
1.强调了GCN的两个常见操作：特征转换和非线性激活，它们并没有给CF带来积极的影响。
2.提出了lightgcn，简化了模型设计，仅含GCN的基本部分。
3.实验证明了lightgcn比NGCF有本质的性能提升，并深层次的分析了lightgcn的合理性。
1.multiple embedding propagation layers : refine the embeddings by injecting high-order connectivity relations.
与NGCF对比：去除了特征转换（W1、W2）和非线性激活（激活函数）。理由：GCN设计之初是处理分类任务的，节点信息丰富，对于推荐任务来说，节点信息通常只包含ID信息，利用特征转换不会有好的效果。
2.prediction layer: aggregate the refined embeddings from different propagation layers and outputs the affinity score of a user-item pair.
与NGCF对比：把所有层的embeddings concat起来换成了权重和。理由：将不同层的嵌入与加权和结合起来，可以捕捉到图卷积与自连接的效果，这是GCN中的一个重要技巧
3.optimization: BPR Loss
4.细节介绍
与SGCN做了比较，说明了lightgcn不需要加自连接。理由：在邻接矩阵中插入自连接并在其上传播嵌入，本质上等同于在每个LGC层传播的嵌入的加权和。
与APPNP比较，说明了lightgcn与APPNP（我觉得可以想象成resnet）有一样的防止过平滑的性质。理由：通过对lightgcn中的αk设置合适的值，就可以转换到APPNP，所以他们具有相同的性质。
介绍了user的2阶连接的具体细节：
Dataset： Baselines:NGCF、Multi-VAE、GRMF
1.不同算法比较性能
- 去除掉NGCF的部分比较性能
-f：去除特征转换
-n：去除非线性激活
-fn：全部去除
3.NGCF与lightgcn在不同层之间比较性能
- NGCF与lightgcn训练曲线比较
5.lightgcn在模型预测阶段的组合比较
lightgcn是所有层embeddings的加权和。
lightgcn-single只用最后一次embedding做预测。
6.ligctgcn的对称正则化影响比较
7.MF和lightgcn-single的平滑度损失比较
8.lightgcn参数敏感性比较：正则化系数
