NGCF
概述
何向南团队于 SIGIR 2019 发表的论文，首次将完整 GCN 框架（特征变换 + 非线性激活 + 邻域聚合）系统应用于协同过滤，是图推荐领域的开创性工作，后被 LightGCN 超越。
关键内容
-
核心思想：用户和物品之间的交互天然构成一张二部图（bipartite graph），GCN 擅长在图结构上进行信息传播和特征学习。NGCF 首次将完整的 GCN 框架——包括特征变换、非线性激活、邻域聚合——系统地应用于协同过滤任务。
-
三层传播结构：每层包含三个核心操作——（1）邻域聚合（Neighborhood Aggregation）：收集邻居节点的嵌入信息；（2）特征变换（Feature Transformation）：通过权重矩阵 W 对嵌入进行线性变换；（3）非线性激活（Nonlinear Activation）：通过 LeakyReLU 等激活函数引入非线性。
-
与 NCF 的关系：NGCF 是 Neural Collaborative Filtering 的后续工作，从"用神经网络建模用户-物品交互"推进到"用图结构传播协同信号"。NCF 关注交互函数的表达能力，NGCF 关注高阶连通性（high-order connectivity）的利用。
-
消融实验的教训：LightGCN 论文对 NGCF 进行了细致的消融分析，发现：（a）移除特征变换（NGCF-f）带来一致性提升；（b）单独移除非线性激活（NGCF-n）效果略有下降；（c）同时移除两者（NGCF-fn）效果最好。NGCF 的问题在于训练难度而非过拟合——训练损失始终高于简化版本。
-
历史地位：NGCF 掀起了 GCN 在推荐系统中的范式变革，与 PinSage（KDD 2018）、GC-MC（KDD 2018）等标志性工作共同奠定了图推荐方向。后被 LightGCN 取代成为新的基线标准。
-
与 PinSage 的区别：PinSage 面向工业级规模（数十亿节点），使用邻域采样和随机游走；NGCF 面向学术实验，使用全图传播。PinSage 利用节点特征（图片嵌入），NGCF 仅使用 ID 嵌入。
来源
- 15-lightgcn.md — LightGCN 论文中对 NGCF 的详细分析与消融实验