En la era digital moderna, los usuarios están expuestos a una gran cantidad de contenido e información, y la importancia de los sistemas de recomendación está aumentando en consecuencia. Los sistemas de recomendación tradicionales utilizan principalmente la factorización de matrices y métodos de filtrado colaborativo, pero se presentan problemas de escalabilidad debido al aumento en la cantidad de datos y a la lentitud en el aprendizaje y la velocidad de inferencia debido al aumento en la cantidad de cálculos. Para superar estos problemas, este estudio se centró en optimizar LightGCN, la estructura básica del sistema de recomendación basado en redes de convolución de grafos. Para mejorar esto, se propusieron técnicas y estructuras. Proponemos un método de mejora de incrustación para fortalecer la robustez de la incrustación y una estructura no combinada para superar la estructura de suma de pesos de LightGCN a través de este método. Para verificar el método propuesto, hemos demostrado su efectividad a través de experimentos utilizando la biblioteca SELFRec en varios conjuntos de datos, como Yelp2018, MovieLens-1M, FilmTrust y Douban-book. Principalmente, se observaron mejoras significativas en indicadores clave, como Precisión, Recuperación, NDCG y Ratio de Acierto en los conjuntos de datos de Yelp2018 y Douban-book. Estos resultados sugieren que los métodos propuestos mejoraron de manera efectiva el rendimiento de recomendación y la eficiencia de aprendizaje del modelo LightGCN, y la mejora de LightGCN, que es ampliamente utilizado como red principal, hace una importante contribución a todo el campo de los sistemas de recomendación basados en GCN. Por lo tanto, en este estudio, mejoramos el método de aprendizaje de LightGCN existente y cambiamos la estructura de suma de pesos para superar la precisión existente.