The Edge Spectrum of Choice-Derived Item Graphs: Strong and Weak Edges Encode Different Relations in Collaborative Filtering
Keigo Sakurai, Takahiro Ogawa, Miki Haseyama
cs.IR
2026-08-30
选择模型的强边连的是同列表竞品,正平滑和列表内BPR符号相反。MIND上直接替换的替代图NDCG@10为0.4036,低于共点的0.4088。
图协同过滤里,商品-商品边几乎总被当成「更强就是更像」:邻居截断 k 只是稀疏化旋钮。当边权来自选择模型时,这个假设会垮。强边集中连向同一曝光列表里、和被点击商品抢点击的竞品;弱边只是偶尔共现。正平滑把竞品分数拉近,列表内排序梯度却要把它们推开,符号相反。
北海道大学把这种现象叫做边谱,并在新闻推荐的 MIND 和 EB-NeRD 上做了对照实验:直接把选择模型图接到 LightGCN 的商品侧,打不过共点图;统一翻号或加竞争间隔损失也救不回来;按边权大小分别处理才能回到诊断给出的顺序。
冻结数据划分、评测器和基线包,只换 LightGCN 偶数跳里的商品侧算子,其余训练目标都是列表内 BPR。四个候选:
诊断协议先看 within-slate lift 随 k 的变化,找到强边和弱边的分界(约 k=10),再预先登记边分区算子:强头用负号、弱尾用正号或丢掉。作者强调主张是「哪些干预会失败、为什么」,不是绝对指标暴涨;传播通道本身被衰减,抬头增益注定小。
内部开发集、三随机种子、均匀层组合。MIND 上四算子 NDCG@10 落在 0.4036–0.4088(宽 0.0052),EB-NeRD 宽 0.0083。共点最强(0.4088 / 0.5985),替代图垫底或近底(0.4036 / 0.5905)。替代图与共点的 Jaccard@50 只有 0.014 和 0.044,不是同一张图的精装版。
官方验证集上,自家共点 0.3926,替代 0.3857;LightGCN++ 是 0.4754,差距比算子之间的间隔高一个数量级,来自训练框架而不是商品图。可学习 softmax 混合会塌到未传播的用户项,偶数跳质量超过 0.9996。
预先登记的边分区 Anchor-B(强头 k=10 取负、弱尾丢掉)在验证集上 MIND 0.3941、EB-NeRD 0.6045,相对正替代 +0.0042 / +0.0076,在 EB-NeRD 上略过共点 0.6018。统一翻号在 MIND 上伤、在 EB-NeRD 上几乎打平;间隔损失全面落后共点至少 0.006。
给正在把选择模型、 diversion、曝光列表信号往图 CF 里塞的人,这篇是一张「先别 drop-in」的检查单。k 在这类图上是语义开关:截到强头,连上的是列表内对手;放到弱尾,连上的是另一种关系。误判的修复不在损失函数上统一翻号,而在按边权分区。
抬头数字很小,论文自己把这写成诊断的推论:混合器塌缩把传播通道几乎关掉,算子再正确也撬不动 NDCG。要的是干预顺序对得上机制,不是再发一篇「我们比 LightGCN++ 高 0.02」。
新闻曝光列表是选择模型最干净的试验田,电商无列表日志会不会出现同一谱,没有证据。主实验的传播通道被衰减,机制成立,绝对收益被故意压小,读者容易把「小增益」读成「没价值」。Anchor-B 相对共点在 MIND 上落在种子标准差内,作者也不声称显著。可学习混合器塌缩后,商品图在真实训练动态里到底还剩多少作用,仍是开放问题。硬负采样那条互补路线只写了设想,没做实验。