LightGCN：简化图卷积网络在推荐系统中的应用

1. 从传统推荐到图卷积：LightGCN的诞生背景

推荐系统作为解决信息过载问题的关键技术，其核心任务是通过分析用户历史行为，预测用户可能感兴趣的物品。协同过滤（Collaborative Filtering）作为推荐系统的经典方法，经历了从矩阵分解到神经网络的发展历程。早期的矩阵分解模型（Matrix Factorization, MF）直接将用户和物品的ID映射为低维向量，通过内积计算匹配得分。这种方法虽然简单，但存在明显的局限性——它仅利用了用户和物品的直接交互信息，而忽略了用户行为背后隐含的高阶关联。

2017年左右，随着图神经网络（Graph Neural Networks, GNN）的兴起，研究者开始尝试将图卷积网络（Graph Convolutional Network, GCN）应用于推荐系统。NGCF（Neural Graph Collaborative Filtering）是这一方向的代表性工作，它通过多层的图卷积操作，显式地建模用户-物品交互图中的高阶连通性。然而，NGCF直接继承了传统GCN的设计，包含特征变换（feature transformation）和非线性激活（non-linear activation）等组件，这些设计在节点具有丰富特征的图数据（如社交网络、引文网络）中表现良好，但在推荐场景下却可能适得其反。

关键问题：推荐系统中的用户和物品节点通常只有ID作为输入特征，缺乏丰富的语义信息。在这种情况下，对ID嵌入进行复杂的非线性变换是否真的必要？

2. LightGCN的核心设计理念

2.1 传统GCN在推荐系统中的冗余操作

通过系统的消融实验，LightGCN的作者发现传统GCN中的两个关键组件对推荐任务几乎没有正面作用：

1. 特征变换矩阵（W矩阵）：在标准GCN中，每个传播层都包含一个可学习的权重矩阵，用于对节点特征进行线性变换。但在推荐场景中，用户和物品的初始特征只是随机初始化的ID嵌入，缺乏具体语义。实验表明，对这些嵌入进行线性变换不仅增加了模型复杂度，还可能导致信息损失。

2. 非线性激活函数：ReLU等激活函数在深度学习中被广泛用于引入非线性。然而，当节点特征本身已经高度抽象（如ID嵌入）时，额外的非线性变换反而会破坏特征的可传播性。NGCF的实验数据显示，