DANG：面向符号感知推荐的解耦自适应归一化图卷积网络

《IEEE Access》：DANG: Decoupled Adaptive Normalized Graph Convolutional Network for Sign-aware Recommendation

　　图神经网络（GNNs）被广泛应用于推荐系统，但大多数方法仅关注正面反馈，忽略了负面交互中固有的规避偏好。尽管近期的符号感知方法已尝试整合双向反馈，但仍存在两个主要局限：1) 直接将负面反馈纳入图拓扑传播会导致同质性假设失效，造成特征污染；2) 在处理长尾分布时，传统GNN的底层聚合机制缺乏灵活性，容易在深度传播过程中被动吸收极性噪声，进一步加剧特征污染。为提升模型在复杂极性场景下的鲁棒性，本文提出了一种解耦自适应归一化图卷积网络（DANG）。该框架从结构传播、逐层聚合和优化目标三个视角进行设计：首先，正交互在图拓扑内进行协同传播，而负交互则通过多层感知机（MLP）独立建模，从结构上缓解了正负语义混合导致的特征污染问题。其次，引入参数化归一化和可调逐层池化机制，动态调整邻居聚合强度和跨层信息分配，从而减少深度平滑信号对个性化用户表征的稀释。最后，构建符号感知的贝叶斯个性化排序（sBPR）目标，以更准确地捕获用户的偏好与规避意图。在Amazon-Music、Epinions和KuaiRec三个真实数据集上的实验表明，DANG在Recall@20和NDCG@20两项指标上均优于包括LightGCN和GFormer在内的12个代表性基线模型。与最强基线相比，DANG取得了……