论文地址：https://arxiv.org/abs/2102.10044

 BACKGROUND

GCN信息聚合的模式非常适合推荐，但众所周知在模型设计的时候通常只能堆叠2-3层，再多就会出现过平滑问题（结点特征之间没有区分度），LightGCN证明了GCN中的特征转化和非线性激活不适用于协同过滤，通过去除这两个组件可在一定程度上缓解过平滑问题，使得模型可以堆叠更多层（将层数拓展到了4层左右），LightGCN信息聚合方式如下，可以看到是对邻居特征进行简单加权求和，无筛选机制，在高层信息聚合时会因兴趣不相同邻居用户的存在，而引入噪声，使得学到的特征向量次优。本文提出了一种根据用户兴趣对用户进行分组(组图)的方法，进一步去除兴趣不同用户造成的干扰，将GNN层数拓展到了7层左右。

METHOD

  =   代表一个分组/子图（兴趣一样的用户组成的集合）

本文根据用户兴趣对用户进行了分组，用户相似的用户及其交互过的物品构成子图

一、message-passing

1.1 一层邻居聚合

   

其中 代表 ID embedding

1.2 高层邻居聚合

         

：子图（分组）s中的物品i经过k层图卷积后的embedding向量

角标 ：子图s中用户u的邻居节点i

注：此处的GCN是在兴趣分组中进行的，分组按用户兴趣进行划分，用户交互过的物品属于用户所在分组。每个用户仅属于一个分组，而物品可属于多个分组（分属于两个分组的用户, 都与物品i发生过交互）

因为物品可属于多个分组，所以此处将物品的特征向量，表示成各分组中特征的和

1.3 层间连接 

 

二、Subgraph Generation Module

本文将子图划分当作节点分类任务

特征提取：，对id_embedding和一阶邻居聚合结果进行特征提取

用户节点分类：，的维度等于用户分组的数目。

三、优化

3.1 预测

 = 

3.2损失函数