NGCF的邻居聚合，高阶连通性的过度平滑问题？
NGCF (Neural Graph Collaborative Filtering) 在 user-item 二部图上做 GCN 式传播：每层将邻居表示聚合后经线性变换与非线性，再与自身表示结合，即 \(\boldsymbol{h}_u^{(l+1)} = \sigma\bigl(W_1^{(l)} \boldsymbol{h}_u^{(l)} + W_2^{(l)} \sum_{i\in\mathcal{N}_u} \frac{1}{\sqrt{|\mathcal{N}_u||\mathcal{N}_i|}} \boldsymbol{h}_i^{(l)}\bigr).\) 多层堆叠后，节点表示会融合 $l$-hop 邻居的信息，即高阶连通性（共同交互过的 user/item、协同过滤的多跳路径）。高阶信息有助于捕捉间接兴趣，但层数过多会带来过平滑。
过平滑 (over-smoothing)：GCN 每层本质是邻接矩阵归一化后对特征的平滑；层数 $L$ 大时，$A_{norm}^L$ 趋于稳定，节点表示会趋同（趋于同一向量或子空间），区分度下降。从特征值角度，$A_{norm}$ 的最大特征值为 1，多次幂后主导特征子空间，节点在该子空间上的投影越来越接近。表现上：层数增加时，先升后降——2～3 层常最优，再加深则 Recall/NDCG 下降。
结构层面：减少层数（2～3）；残差/初始残差（$H^{(l+1)} = \alpha H^{(0)} + (1-\alpha) \tilde{A} H^{(l)} W$）保留初始特征，减缓趋同。LightGCN 的应对是去掉 $W$ 与 $\sigma$ 并做层平均，减轻每层变换带来的坍缩。Jumping Knowledge：不同层表示做 concat 或 attention 聚合，而非只用最后一层。其他：边 dropout、层 dropout、或只在低层用 GCN、高层用 MLP 等，均可缓解过平滑。
| 返回模块 | 返回总览 |