定义
LightGCN 是一种基于图卷积网络的协同过滤推荐模型，全称为轻量图卷积网络（Light Graph Convolution Network）[2]。它把用户与物品之间的历史交互组织成一张用户—物品二分图，节点是用户和物品，边表示发生过交互，模型在这张图上学习两者的向量表示[4]。与一般的图神经网络不同，它并不保留原图中为图分类任务设计的全部算子，而只保留邻域聚合这一最基础的部分[2]。此后学界与工程界常把它当作协同过滤的基准模型，用来对比更复杂结构的效果[5]。
LightGCN 这一名称来自其论文标题中对图卷积网络进行简化的表述，原文为 LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation。论文最早于 2020 年 2 月公开在预印本平台 arXiv 上，编号 2002.02126，同年 7 月正式发表于 SIGIR 2020 会议论文集。
原理
模型的第一步是给每个用户和每个物品分配一个可学习的编号嵌入向量，也称 ID 嵌入，这些向量是模型中唯一的可训练参数[2]。随后在第 $k$ 层，节点的表示由它在图中的邻居表示加权求和得到，权重取两边节点度数的平方根倒数之积，即对称归一化的邻接矩阵形式 $\mathbf{e}_u^{(k+1)} = \sum_{i \in \mathcal{N}_u} \frac{1}{\sqrt{|\mathcal{N}_u|}\sqrt{|\mathcal{N}_i|}} \mathbf{e}_i^{(k)}$[6]。写成矩阵形式即 $\mathbf{E}^{(k+1)} = \mathbf{D}^{-1/2}\mathbf{A}\mathbf{D}^{-1/2}\mathbf{E}^{(k)}$，其中不包含任何待训练的权重矩阵，也不含非线性激活函数[6]。
传播结束后，模型把第 0 层到第 $K$ 层的嵌入按权重相加，得到用于预测的最终表示，即 $\mathbf{e}_u = \sum_{k=0}^{K}\alpha_k \mathbf{e}_u^{(k)}$，原文实验中各层权重取均匀值[6]。预测分数由用户与物品最终嵌入的内积给出，训练时使用贝叶斯个性化排序（BPR）成对损失，即让观测到的交互得分高于未观测到的组合，并附加 $L_2$ 正则项[7]。由于层组合本身已经隐含了自连接的效果，模型的邻接矩阵中不再额外添加自环[6]。
发展历程
LightGCN 的出现建立在图神经网络用于推荐的一系列前期工作之上。2019 年提出的神经图协同过滤模型首次把用户—物品交互组织为二分图，并通过图神经网络建模高阶连通性，成为当时协同过滤的代表性方法[6]。该模型沿用了图卷积网络的特征变换和非线性激活，但这两项设计原本是为图分类任务准备的，在推荐场景中的必要性并未得到检验[2]。
原论文通过消融实验发现，去掉特征变换后效果反而改善，同时去掉特征变换与非线性激活后训练损失明显下降、测试召回率大幅上升，说明这两项操作增加了训练难度而非带来收益[2]。基于这一结论，作者提出仅保留邻域聚合的轻量结构，并在 Gowalla、Yelp2018 和 Amazon-Book 三个数据集上以召回率和归一化折损累计增益为指标进行了评测，模型在各数据集上都超过了当时的对比基线[6]。论文同时给出了 TensorFlow 与 PyTorch 两种实现以及处理过的数据集，便于后续复现[8]。
应用
该模型主要用于隐式反馈场景下的个性化推荐，即根据点击、购买、收藏等行为预测用户可能感兴趣的物品[1]。在电商场景中，有研究用亚马逊的商品评论数据比较了该模型与基于物品的协同过滤，在召回率与归一化折损累计增益两项指标上，该模型的表现明显更高，同时生成的推荐更加个性化但多样性有所下降[4]。
由于结构简单、易于训练，它也常被用作其他模型的骨干或组件。有研究把它嵌入知识图谱感知的推荐框架中，用来提取用户与物品之间的共性信号[9]。也有专利方案先用元路径在异质图上预训练得到初始嵌入，再迁移到该模型上做微调，以适应线上购物场景的推荐任务[10]。在公开的推荐算法库中，它被作为通用推荐模型的代表之一收录，供研究者直接调用和对比[1]。
局限
模型完全依赖历史上已经观测到的交互来构造图并传播信息，对于没有交互记录的新用户或新物品，无法得到可靠的嵌入表示[4]。层数也不能无限增加，经验上超过 3 层后效果不再提升甚至下降，原因在于图在更远距离上趋于稠密，出现过平滑现象，因此层数通常需要作为超参数在验证集上调节[11]。
去掉非线性结构之后，模型对用户与物品之间非线性交互的刻画能力有限，部分研究也指出其层内嵌入的权重接近均匀，缺少对层重要性的自适应调整[12]。与其他图神经网络推荐方法类似，它可能放大热门物品的流行度偏差，把未观测到的交互一律当作负样本也会引入系统性的假负例[11]。此外，离线指标上的提升并不能直接等同于线上效果，一项可复现对比研究在 MovieLens 1M 数据集上发现，经过调优后该模型的效果仍与随机森林相当，说明更复杂的模型并不必然带来更好的推荐质量[5]。
参见
参考资料
- LightGCN [引用日期2026-10-14]
- arxiv.org 上的网页 [引用日期2026-10-14]
- LightGCN [引用日期2026-10-14]
- ieee.org 上的网页 [引用日期2026-10-14]
- detailv2 [引用日期2026-10-14]
- SIGIR 2020 [引用日期2026-10-14]
- acm.org 上的文件 [引用日期2026-10-14]
- LightGCN with applied curriculum learning strategy [引用日期2026-10-14]
- nih.gov 上的网页 [引用日期2026-10-14]
- google.com 上的网页 [引用日期2026-10-14]
- githubusercontent.com 上的网页 [引用日期2026-10-14]
- s41598-025-99949-y [引用日期2026-10-14]