Bridging the Topological Divide: Dual-Branch Graph Distillation with Semantic Priors for Robust Cold-Start Recommendation

📄 arXiv: 2610.19578v1 📥 PDF

作者: Yuanfeng Qiu

分类: cs.IR, cs.LG

发布日期: 2026-10-14

💡 一句话要点

提出DualGCN以解决冷启动推荐中的拓扑隔离问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 图协同过滤 冷启动推荐 知识蒸馏 多模态学习 语义特征

📋 核心要点

  1. 现有图协同过滤模型在冷启动场景中表现不佳，主要由于未观察项目的拓扑隔离导致的表示崩溃。
  2. 本文提出DualGCN，通过双分支图知识蒸馏框架，利用拓扑平滑的语义先验来增强项目表示的稳健性。
  3. 在三个真实世界基准数据集上的实验表明，DualGCN在冷启动场景中显著优于现有最先进的方法，同时保持了对活跃项目的推荐准确性。

📝 摘要（中文）

图协同过滤模型在推荐系统中取得了显著成功，但在严格的冷启动场景中，由于未观察项目的拓扑孤立，模型面临灾难性的表示崩溃。虽然集成多模态语义特征提供了潜在的解决方案，但直接将孤立的语义属性映射到全球拓扑驱动的协作空间，往往会导致表示退化和优化冲突。为了解决这一结构性问题，本文提出了DualGCN，一个创新的双分支图知识蒸馏框架。DualGCN通过解耦的两阶段训练范式，首先构建一个稳健的协作教师网络，其项目表示由拓扑平滑的语义先验锚定，随后，语义学生分支采用残差映射机制和幅度无关的余弦蒸馏目标，实现高保真跨模态对齐。实验结果表明，DualGCN在严格冷启动场景中显著超越了现有基线，同时全面保留了对高活跃项目的推荐准确性。

🔬 方法详解

问题定义：本文旨在解决图协同过滤模型在冷启动场景中的表示崩溃问题，现有方法在处理未观察项目时面临拓扑隔离的挑战。

核心思路：DualGCN通过构建一个双分支的图知识蒸馏框架，利用拓扑平滑的语义先验来增强项目表示的稳健性，从而有效地解决表示退化和优化冲突。

技术框架：DualGCN采用解耦的两阶段训练流程，首先构建一个稳健的教师网络，然后通过语义学生分支实现高保真的跨模态对齐。主要模块包括教师网络、学生网络和动态范数重构机制。

关键创新：DualGCN的核心创新在于引入了拓扑平滑的语义先验和幅度无关的余弦蒸馏目标，这与现有方法的直接映射策略形成了本质区别。

关键设计：在网络结构上，教师网络通过语义先验锚定项目表示，学生网络则采用残差映射机制，损失函数设计为余弦蒸馏目标，确保跨模态对齐的高保真性。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

在三个真实世界基准数据集上的实验结果显示，DualGCN在严格冷启动场景中相较于最先进的基线方法提升了推荐准确性，具体性能提升幅度达到XX%（具体数据待补充），同时对高活跃项目的推荐准确性保持稳定。

🎯 应用场景

该研究的潜在应用领域包括电子商务、社交媒体和内容推荐等冷启动场景，能够有效提升新用户或新项目的推荐质量。未来，DualGCN的框架可以扩展到其他领域，如个性化广告和在线学习系统，具有广泛的实际价值。

📄 摘要（原文）

Graph Collaborative Filtering models have achieved remarkable success in recommendation systems. However, they inherently suffer from a catastrophic representation collapse in strict cold-start scenarios due to the topological isolation of unobserved items. While integrating multi-modal semantic features offers a potential remedy, directly mapping isolated semantic attributes into a globally topology-driven collaborative space frequently precipitates representation degradation and optimization conflicts. To bridge this fundamental structural divide, we propose DualGCN, an innovative Dual-Branch Graph Knowledge Distillation Framework. Operating under a decoupled two-stage training paradigm, DualGCN first constructs a robust collaborative teacher network where item representations are anchored by a topology-smoothed semantic prior, effectively reshaping the latent manifold. Subsequently, a semantic student branch employs a residual mapping mechanism and a magnitude-agnostic cosine distillation objective to achieve high-fidelity cross-modal alignment without disrupting established collaborative signals. Furthermore, we introduce a dynamic norm reconstruction mechanism to rigorously calibrate the physical scales of novel and warm items during global retrieval. Extensive experiments across three real-world benchmark datasets demonstrate that DualGCN significantly outperforms state-of-the-art baselines in strict cold-start scenarios while comprehensively preserving recommendation accuracy for highly active items.