EPCF：一种面向协同过滤(Collaborative Filtering, CF)的等变(Equivariant)位置传播增强图神经网络(Graph Neural Network, GNN)

《Information》：EPCF: An Equivariant Positional Propagation Enhanced Graph Neural Network for Collaborative Filtering

　　

摘要：图神经网络（Graph Neural Networks, GNNs）因能通过信息传播建模用户—项目交互关系，在协同过滤（Collaborative Filtering, CF）推荐系统中展现出显著优势。然而，传统基于GNN的推荐模型往往无法区分具有相同局部结构的节点，导致传播后产生相同的节点表示。部分研究通过引入位置编码（Positional Encoding, PE）解决此问题，但现有大多数位置编码方法破坏了图表示的置换（Permutation）与正交（Orthogonal）对称性，从而降低了泛化能力。为解决此局限，研究人员提出EPCF（Equivariant Positional Collaborative Filtering，等变位置协同过滤）——一种面向协同过滤的新型GNN模型，其对拉普拉斯位置特征（Laplacian Positional Features）引入等变传播机制。该机制在保持图固有的置换等变性同时，保留了位置特征在正交变换下的等变性（Orthogonal Equivariance），可提升模型泛化能力。等变位置特征进一步被用于引导节点嵌入的传播。在真实数据集上的实验表明，EPCF相较于最强基线平均Recall@20提升7.01%、曲线下面积（Area Under the Curve, AUC）提升1.17%。此外，将EPCF作为插件机制集成至五种不同GNN骨干模型中，在五个数据集上Recall@20平均提升23.13%、AUC平均提升2.14%，验证了其泛化能力。

论文解读：EPCF——基于等变位置传播的图神经网络协同过滤模型

《Information》期刊所刊载的本文针对基于图神经网络（Graph Neural Network, GNN）的协同过滤（Collaborative Filtering, CF）推荐系统中节点不可区分性及位置编码破坏对称性的问题，提出一种具备置换与正交等变性的位置传播增强框架EPCF（Equivariant Positional Collaborative Filtering）。

研究背景与动机

GNN通过消息传递（Message Passing）在用户—项目二部图（User–Item Bipartite Graph）上聚合邻域信息以学习表征，但仅依赖局部邻域聚合会使结构同构节点（如同质度高的用户或项目）获得相同嵌入，即"节点不可区分（Node Indistinguishability）"问题。现有方案采用拉普拉斯位置编码（Laplacian Positional Encoding, LapPE，由归一化拉普拉斯矩阵L的 nontrivial特征值对应特征向量构成）注入全局结构信息，但LapPE存在符号翻转（Sign Flip）及重数特征值空间任意正交基变换（Orthogonal Basis Transformation）的固有模糊性；直接拼接固定基LapPE会破坏GNN本应具备的置换等变性（Permutation Equivariance）与正交等变性（Orthogonal Equivariance），导致表示不一致与泛化退化。已有等变GNN方法多面向分子图分类或几何坐标场景，未适配无坐标推荐的链接预测任务，亦未在传播中更新位置特征。因此，研究人员开展此项研究以设计适用于推荐系统的等变位置特征传播机制。

关键技术方法

研究人员在三个公开基准数据集（LastFM、Douban-Book、Tmall）及扩展数据集（Twitch-ES、Twitch-RU、ProgrammableWeb、Yelp）的用户—项目二部图上展开实验。先对归一化拉普拉斯矩阵做稀疏特征分解取前k个非平凡特征向量初始化位置特征。核心方法含三点：（1）边特征计算：基于用户与项目间LapPE欧氏距离平方经多层感知机（Multilayer Perceptron, MLP）映射，结合可学习注意力系数得到标量不变边权重；（2）等变位置传播：以加权相对偏移量（z_v? z_u）累加更新各层位置特征，理论保证置换与正交等变；（3）节点嵌入传播：利用边特征加权聚合邻域信息并做度归一化，最终逐层平均嵌入经内积预测打分，采用贝叶斯个性化排序（Bayesian Personalized Ranking, BPR）损失训练。模型还与LightGCN、EGNN、PEG及GCN/GAT/FAGCN/XSimGCL/Difformer骨干做横向与插件对比，并以消融实验验证各模块贡献。

研究结果

5.1 实验设置（Experimental Settings）

研究人员在GPU环境基于PyTorch实现，选用多基准数据集并按8:2划分训练测试集，二值化显式反馈，采用Recall@20与Top-K AUC为评价指标，重复五次随机种子取均值与标准差，超参经网格搜索确定。

5.2 与其他方法的横向比较（Horizontal Comparison with Other Methods）

与LightGCN在不同嵌入维度（8/16/32/64）对比显示EPCF全面占优，低维（如8维）优势最显著，说明等变位置信息补偿了低容量嵌入的表达力不足。与等变基线EGNN及PEG比，EPCF在LastFM、Douban-Book、Tmall三数据集Recall@20分别最高提升8.20%、8.61%、4.23%，平均7.01%；AUC平均提升1.17%。PEG不做跨层位置更新，EGNN侧重几何任务，而EPCF通过层间等变位置更新与位置感知边权聚合捕获更丰富关系模式。

5.3 垂直增强：将EPCF应用于其他GNN骨干（Vertical Enhancement: Applying EPCF to Other GNN Backbones）

将EPCF作为插件融入GCN、FAGCN、XSimGCL、Difformer、GAT五类骨干，跨五个数据集Recall@20平均提升23.13%、AUC平均提升2.14%。GCN与FAGCN受益最明显；GAT因自带结构感知注意力可能与位置信号重叠致部分数据集微降，表明兼容性与骨干原有机制有关。

5.4 置信区间分析（Confidence Interval Analysis）

横向比较中EPCF与最优基线LightGCN的95%置信区间无重叠；垂直比较中24/25的Recall@20与21/25的AUC比较区间不重叠，少数重叠经90%置信区间检验仍具显著性，证明性能提升统计稳定。

5.5 消融研究（Ablation Studies）

移除边特征（w/o Edge Feature）、等变位置传播（w/o Equivariant Position Propagation）、位置拼接（w/o Position Concatenation）及逐层平均（w/o Layer-Wise Averaging）均致AUC下降，其中边特征与位置拼接影响最大，等变位置传播贡献相对较小但仍有正向作用并增强泛化。

5.6 超参数分析（Hyperparameter Analysis）

嵌入维度32、位置特征维度32（兼顾成本与性能）、层数3为较优配置；过大维度与过深层引起边际收益递减或轻微过平滑。

讨论与结论

研究人员指出，传统GNN仅靠局部聚合难区分同构节点，而EPCF中等变位置传播以加权相对偏移（类微分坐标 Differential Coordinates）引入全局结构差异且保持对称性，从几何上改善节点判别性。拉普拉斯特征向量仅需预计算一次，额外训练开销可控。结论如下：研究人员提出EPCF——一个在协同过滤中利用拉普拉斯位置特征并沿消息传递等变传播、同时保持置换与正交等变的GNN框架；理论上证明了各层位置更新的等变性；实验中EPCF优于基线并可插件式提升多类GNN骨干推荐性能，证实等变位置传播能为协同过滤提供超越局部邻域聚合的结构信息。局限在于依赖拉普拉斯特征分解且仅在直推（Transductive）设定评估，未来将探索时序动态位置编码、可扩展位置表示及拓展至其他图学习任务。