DualGCN：语义先验与双分支冷启动推荐

基于摘要分析。本文研究推荐系统中的严格冷启动问题：未观测物品缺乏交互连接，图协同过滤难以形成有效表示，而直接将多模态语义特征映射到协同表示空间又可能引发表示退化和优化冲突。作者提出 DualGCN，以解耦的两阶段训练结合语义先验、双分支知识蒸馏和检索尺度校准。 第一阶段构建协同教师网络，以经过拓扑平滑的语义先验锚定物品表示，调整潜在表示空间；第二阶段由语义学生分支通过残差映射及不依赖向量幅值的余弦蒸馏目标进行跨模态对齐，以避免扰动已有协同信号。此外，动态范数重建机制用于校准新物品与已有交互物品在全局检索中的表示尺度。其方法特点是分开处理表示方向的对齐与表示范数的恢复，而非仅将语义特征直接接入协同空间。 作者报告，在三个真实世界基准数据集的严格冷启动评估中，DualGCN 显著优于所比较的先进基线，同时保持高活跃物品的推荐准确性。摘要未提供数据集名称、划分规则、具体指标、提升幅度或统计检验细节；实验协议、消融及统计信息尚未验证。复现时需核对严格冷启动的定义、教师与学生可访问的数据，以及范数重建的估计方式。 平台推测（待验证）：该机制可形成一个跨模态 EEG 表示对齐假设，即在存在配对语义监督和可靠关系图时，将方向蒸馏与幅值处理解耦，可能有助于处理表示空间不匹配。原方法依赖物品交互拓扑与多模态语义，不能直接等同于跨被试 EEG 学习；教师图、语义输入和范数恢复模块均需重新定义。EEG 的低信噪比、通道差异及小数据条件可能使教师关系不稳定，且幅值本身可能携带任务信息。可在固定跨被试划分与同一编码器下，对比直接映射、余弦蒸馏及加入范数重建的版本，检验收益与幅值信息损失。相关 EEG 工作尚未检索确认。