SAHC-NS: Structure-Aware and Hardness-Calibrated Negative Sampling for Implicit Collaborative Filtering
SAHC-NS：面向隐式协同过滤的结构感知与硬度校准负采样
🧭 负采样 · 结构感知与硬度校准
Beijing Institute of Technology
用逐层匹配分数的均值与标准差捕获跨层结构差异，并基于候选池硬度动态校准负样本难度
📌 工作参考价值（4 点）
- 在电商双塔召回或 GNN 推荐模型中，可以保留各层传播的 user/item 表示，计算逐层匹配分数的均值与标准差，筛选出“跨层结构不一致”的负样本（如外观相似但交互结构不同的商品），而不仅看最终分数，提升 hard negative 质量。
- 可借鉴候选池感知的硬度校准：统计每个用户负样本池的匹配分数分布（均值/方差），对候选池整体偏容易的用户加大负样本增强强度，对偏难的用户降低强度，避免固定负采样策略导致的训练不稳定。
- 适用于点击、加购、转化等隐式反馈场景，可在现有 GNN 召回/排序模型中增加逐层分数统计与校准模块，工程实现成本可控。
- 如果业务中存在大量未观测样本或易混淆广告，可参考其结构感知评估方式，增强模型对相似商品/广告的判别边界。