RHGCL：用于用户–物品推荐的表示驱动层级图对比学习

基于摘要分析。本文研究用户–物品推荐，针对现有 Graph Contrastive Learning（GCL）对不同分辨率下物品相似性及层级结构建模不足的问题，提出 Representation-driven Hierarchical Graph Contrastive Learning（RHGCL），从学习到的表示中构建层级物品结构，再用于推荐表示优化。 方法分为三个阶段：首先，通过跨层对比学习预训练 GCL 模块，获得用户和物品表示；随后，利用表示压缩与聚类构建具有两个层级的用户–物品二部图；最后，在层级图上学习并微调用户和物品表示，依据用户–物品交互分数生成推荐。其主要方法特征是由表示生成层级结构，再将该结构用于后续表示学习；摘要未给出压缩算法、聚类方法、具体损失或层级连边规则。 作者报告，在三个常用推荐基准数据集上，RHGCL 优于所比较的基线模型，数据集图规模介于 70K 至 382K 个节点。摘要未列出数据集名称、评价指标、具体增益及划分方式，实验协议、消融及统计信息尚未验证，因而尚不能判断收益来源和适用边界。 平台推测（待验证）：其可迁移假设是，若 EEG 数据能够定义有意义的节点、关系及对比学习视图，可尝试复用“表示预训练—聚类构图—层级微调”的流程，以建模多尺度相似性。但原方法依赖用户–物品二部交互结构，不能直接等同于 EEG 的通道或试次关系；节点定义、边构造、对比目标及下游读出均需改造。低信噪比、小数据及跨被试差异可能使聚类主要捕捉伪迹或被试身份。一个可证伪的小实验是在固定 Cross-subject 划分下，仅用训练集构建层级，对比无层级、聚类层级与随机层级，检验增益是否确由所学结构带来。已有相关 EEG 工作尚未检索确认。