本文所涉及所有资源均在这里可获取。
📕作者简介：热爱跑步的恒川，致力于C/C++、Java、Python等多编程语言，热爱跑步，喜爱音乐、摄影的一位博主。
📗本文收录于论文复现系列，大家有兴趣的可以看一看
📘相关专栏C语言初阶、C语言进阶系列、恒川的日常汇报系列等，大家有兴趣的可以看一看
📙Python零基础入门系列，Java入门篇系列、docker技术篇系列、Apollo的学习录系列正在发展中，喜欢Python、Java、docker的朋友们可以关注一下哦！
神经网络的公式推导与代码实现
本文所涉及所有资源均在这里可获取。
概述
图卷积网络（Graph Convolution Network，GCN）已经广泛的应用于推荐系统，基于GCN的协同过滤算法（例如NGCF）缺少消融研究，此模型对NGCF进行了消融实验并提出了轻量化卷积网络。
传统的GCN推荐模型（以NGCF为例）
其中的线性变换和非线性激活函数导致模型庞大，速度很慢，难于理解。
通过消融实验，去掉线性变换W和非线性激活函数σ，得到以下结果：
可以看到，去掉fn的recall和ndcg在两个常用数据集上的效果更好。
本模型的优势在于，轻量化了NGCF模型，在参数更小，速度更快的基础上，还提升了性能。
模型讲解
模型集合了Item和User的邻居信息，切只保留这部分信息，通过多层的GCN，最后求均值，得到了最终的u、i向量，最后进行Prediction。
模型公式：
目标函数：
演示效果
其中precision、recall、ndcg为模型评判标准，epoch为迭代次数（可改参数）、loss为损失，Sample为节点覆盖率。
核心逻辑
核心代码逻辑：
python
class LightGCN(BasicModel):
def __init__(self,
config:dict,
dataset:BasicDataset):
super(LightGCN, self).__init__()
self.config = config
self.dataset : dataloader.BasicDataset = dataset
self.__init_weight()
self.attention_layer = AttentionLayer(input_dim=64)
self.mlp = MLP(input_dim=64)
# self.contrast = Contrast(64, 0.5, 0.5)
def __init_weight(self):
self.num_users = self.dataset.n_users
self.num_items = self.dataset.m_items
self.latent_dim = self.config['latent_dim_rec']
self.n_layers = self.config['lightGCN_n_layers']
self.keep_prob = self.config['keep_prob']
self.A_split = self.config['A_split']
self.embedding_user = torch.nn.Embedding(
num_embeddings=self.num_users, embedding_dim=self.latent_dim)
self.embedding_item = torch.nn.Embedding(
num_embeddings=self.num_items, embedding_dim=self.latent_dim)
if self.config['pretrain'] == 0:
#nn.init.xavier_uniform_(self.embedding_user.weight, gain=1)
#nn.init.xavier_uniform_(self.embedding_item.weight, gain=1)
#print('use xavier initilizer')
# random normal init seems to be a better choice when lightGCN actually don't use any non-linear activation function
nn.init.normal_(self.embedding_user.weight, std=0.1)
nn.init.normal_(self.embedding_item.weight, std=0.1)
world.cprint('use NORMAL distribution initilizer')
else:
self.embedding_user.weight.data.copy_(torch.from_numpy(self.config['user_emb']))
self.embedding_item.weight.data.copy_(torch.from_numpy(self.config['item_emb']))
print('use pretarined data')
self.f = nn.Sigmoid()
self.Graph = self.dataset.getSparseGraph()
print(f"lgn is already to go(dropout:{self.config['dropout']})")
# print("save_txt")核心逻辑就是去掉传统图卷积中的非线性激活函数和线性变换，轻量化了模型，只保留了图的语义信息，目标函数选择了BPRLOSS。
使用方式
首先在/data文件中导入items和user数据，运行data_init.py文件进行数据初始化
在parse.py中修改模型参数
部署方式
python3.8即可，拥有pytorch环境
搭建环境
python
pip install -r requirements.txt参考文献
SIGIR 2020. Xiangnan He, Kuan Deng ,Xiang Wang, Yan Li, Yongdong
Zhang, Meng Wang(2020). LightGCN: Simplifying and Powering Graph
Convolution Network for Recommendation, Paper in arXiv.
参考代码：
https://github.com/kuandeng/LightGCN
详细复现过程的项目源码、数据和预训练好的模型可从该文章下方链接获取：https://www.aspiringcode.com/content。
如果这份博客对大家有帮助，希望各位给恒川一个免费的点赞👍作为鼓励，并评论收藏一下⭐，谢谢大家！！！
制作不易，如果大家有什么疑问或给恒川的意见，欢迎评论区留言。