基于图对比学习的推荐中什么真正重要？一种统一学习策略

基于摘要分析。本文研究推荐系统中图对比学习（GCL）的性能收益究竟来自数据扰动还是学习目标，并提出 Compact Graph Contrastive Learning（CGCL），通过取消数据增强、统一推荐损失与对比学习损失来简化学习流程。主要研究对象是推荐系统中的图表示学习，而非 EEG 或 BCI。 作者比较了结构扰动与表示扰动，报告二者对推荐性能的影响均有限，仅结合推荐损失与对比学习损失也能获得相近的改进。其方法依据是：两类损失都通过提高目标节点与正样本的相似度、降低其与负样本的相似度来优化表示。CGCL 据此整合两类目标的贡献，但摘要未提供统一目标的具体数学形式、正负样本构造及优化细节。 作者报告，CGCL 能学习到更集中的表示模长分布，并将其与去偏能力及推荐性能提升联系起来；在多个基准数据集上的实验中，作者报告 CGCL 优于已有 GCL 方法。摘要未列明数据集名称、数据划分、对照方法、指标与提升幅度，因此尚不能判断优势的适用范围，也不能据此确认模长分布变化与去偏效果之间的因果关系。 复现时值得核对扰动强度、损失权重、负采样及比较方法的调参条件，并检查去偏效果的定义与测量方式。实验协议、消融及统计信息尚未验证，代码可用性亦尚未验证。材料未提供 EEG/BCI 实验；已有 EEG 相关工作尚未检索确认，不能将推荐任务上的结果直接视为神经信号表示学习的有效性证据。