Intent Propagation Contrastive Collaborative Filtering

Paper: Li, H., Du, J., Liu, G., Jiang, F., Wang, Y., & Zhou, X. (2025). Intent propagation contrastive collaborative filtering. IEEE Transactions on Knowledge and Data Engineering, 37(5), 2665–2679. https://doi.org/10.1109/TKDE.2025.3543241 · Public author manuscript: arXiv:2604.15704v1 https://arxiv.org/abs/2604.15704v1 · Code: https://github.com/rookitkitlee/IPCCF

Abstract: Li et al.은 협업 필터링의 잠재 의도 분리를 직접 사용자–아이템 관계 너머의 그래프 구조로 확장하는 Intent Propagation Contrastive Collaborative Filtering(IPCCF)을 제안한다. 먼저 2-hop에서 사용자–사용자·아이템–아이템 동종 관계를 추출하고, 직접 관계와 동종 관계의 전파 순서를 교차한 두 사슬을 구성한다. 이어 깊은 의미 표현으로 의도별 간선 가중치를 만들고, 이를 평균 풀링한 행렬로 의도 메시지를 전파한다. 사슬·전파 과정 대조 손실과 독립 의도 제약은 구조 기반 표현과 의도 기반 표현을 정렬한다. 저자 보고에서 IPCCF는 Gowalla·Amazon-book·Tmall의 Precision·Recall·NDCG @20/@40, 총 18개 지표에서 모두 1위를 기록한다. 다만 반복 실행·분산·유의성 검정이 없고, 절제상 가장 큰 효과는 의도 전파와 고차 관계에 집중된다. 논문과 공개 코드 사이에도 일부 재현 설정의 차이가 남는다.

---

Executive Summary

항목	설명
연구 질문	협업 필터링의 의도 분리를 직접 이웃 너머의 그래프 구조까지 넓히고, 분리 과정에 추천 손실의 역전파 말고 직접적인 지도 신호를 줄 수 있는가.
핵심 기여	(1) 2-hop 동종 관계를 뽑아 직접·고차 전파를 서로 꼬는 이중 나선 전파 틀, (2) 그 구조 위에서 의도를 전파하는 방법, (3) 서로 다른 경로의 표현을 맞추는 대조학습 둘.
방법적 결과	Direct·high-order 두 관계를 shallow→deep→intent 단계에서 교차시키고, 두 사슬 \mathbf{F}·\mathbf{S}를 잔차 누적한다. 의도별 edge weight는 전파 전에 평균 pooling되어 하나의 sparse propagation matrix가 된다.
실험 결과 (저자 보고)	Gowalla·Amazon-book·Tmall 세 데이터셋 18개 칸 전부에서 1위. 최선 기준선(BIGCF) 대비 Precision 평균 +6.37%, Recall +6.14%, NDCG +9.36%. 에폭당 학습 시간은 BIGCF보다 37.5~57% 길지만, 같은 성능에 이르는 총 시간은 BIGCF의 11.5~49.7%다.
핵심 한계	반복 실행·시드·표준편차·유의성 검정이 없다. 독립 의도 제약과 intent graph 평균 pooling의 순수 효과는 절제되지 않았고, 과다평활 결과도 모든 칸에서 최고는 아니다. 논문·코드 사이 layer aggregation 차이와 batch size 표기 충돌이 있다.

---

목차

1. 협업 필터링에서 잠재 의도를 분리해야 하는 이유
2. 직접 관계와 2-hop 동종 관계
3. 이중 나선 메시지 전파
4. 의도 메시지 전파
5. 추천·대조 목적함수와 설계 근거
6. 평가 설계와 비교 조건
7. 결과와 절제
8. 결과가 뒷받침하는 범위
9. 결론

---

1. 협업 필터링에서 잠재 의도를 분리해야 하는 이유

1.1 출발점

사용자는 같은 서비스에서도 가격, 장르, 브랜드, 즉시 필요처럼 서로 다른 의도로 아이템과 상호작용한다. 이 의도를 하나의 embedding에 섞으면 서로 다른 상호작용 원인이 같은 유사도로 압축될 수 있다는 것이 disentangled collaborative filtering의 출발점이다.

그래서 DisenGCN·DGCF 계열이 사용자 표현을 여러 의도 조각으로 쪼갠다. 논문은 이 흐름을 인정한 뒤 두 가지가 남았다고 본다.

첫째, 기존 분리는 직접 상호작용 중심이라 더 넓은 그래프 구조를 충분히 반영하지 못한다. 전파를 단순히 깊게 하면 직접 이웃 신호를 반복 흡수해 과다평활이 생길 수 있다.

둘째, 분리가 잘됐는지를 알려 주는 직접 신호가 부족하다. 추천 ranking loss에서 역전파되는 간접 신호만으로 의도 표현을 학습하면 구조·의도 관점이 충분히 정렬되지 않을 수 있다는 진단이다.

두 진단 모두 이 논문이 새로 발견한 것은 아니고 선행 연구를 인용해 세운다. 새로움은 진단보다 이를 겨냥한 설계에 있다.

1.2 논문이 제시한 기여

초록이 세 가지를 든다. 깊은 의미 정보를 뽑는 이중 나선 전파 틀, 그래프 구조를 분리 과정에 넣는 의도 전파, 그리고 구조 기반 표현과 의도 기반 표현을 맞춰 직접 지도를 주는 대조학습이다.

1.3 기존 접근과 IPCCF의 위치

계열	의도 분리·구조 범위	IPCCF와의 차이
LightGCN	별도 의도 분리 없이 직접 graph convolution	IPCCF의 direct shallow propagation 기반
DGCF·DCCF	interaction을 intent factor로 분리	주로 직접 사용자–아이템 관계 중심
BIGCF	individual·collective intent와 대조학습	Table III의 일관된 최선 기준선
IPCCF	direct graph와 2-hop homogeneous graph에서 의도 전파	관계 종류의 교차 합성과 구조–의도 정렬을 결합

이 비교에서 BIGCF가 중요한 이유는 결과표 18개 칸 모두에서 2위이기 때문이다. IPCCF의 실질적 개선은 약한 오래된 기준선보다 BIGCF와의 격차를 중심으로 읽어야 한다.

2. 직접 관계와 2-hop 동종 관계

그림 1. IPCCF의 세 모듈. (a) 고차 관계 추출, (b) double-helix 전파, (c) 모델 최적화. 출처: Li et al. (2025), Figure 1, author manuscript, CC BY-NC-ND 4.0. 원문 내용을 변경하지 않고 캡처·축소.

이 논문에서 high-order는 2-hop이다. 사용자–아이템 이분 그래프에서 2-hop은 사용자–사용자와 아이템–아이템으로 이어지므로, 고차 관계는 동종 노드 사이의 구조를 뜻한다.

두 동종 노드 u,v의 직접 이웃 집합으로 Jaccard similarity를 계산한다.

값이 임계치 \eta 이상이거나 노드 u의 상위 Q개에 드는 관계만 남긴다. 저자들은 이 추출 규칙 자체보다, direct graph와 함께 사용하는 propagation framework를 기여로 둔다. 모든 데이터셋의 설정은 Q=5, \eta=0.8이다.

결과로 두 개의 전파 행렬이 생긴다. 이분 그래프의 인접행렬 \hat{\mathcal{A}}와, 사용자–사용자·아이템–아이템 블록만 채운 블록 대각 행렬 \hat{\mathcal{H}}다. 정규화 방식은 서로 다르다. \bar{\mathcal{A}}는 LightGCN식 대칭 정규화이고 \bar{\mathcal{H}}는 행 정규화다.

3. 이중 나선 메시지 전파

3.1 두 전파 순서를 교차 합성하기

"이중 나선"이라는 이름이 붙은 이유는 두 개의 사슬 \mathbf{F}와 \mathbf{S}가 단계를 넘어갈 때마다 서로 반대쪽 관계 종류로 건너가기 때문이다.

	1단계 shallow	2단계 deep	3단계 intent
사슬 1 (\mathbf{F})	Direct → \mathbf{X}^{d}	High-Order → \mathbf{Y}^{h}	Direct → \mathbf{Z}^{d}
사슬 2 (\mathbf{S})	High-Order → \mathbf{X}^{h}	Direct → \mathbf{Y}^{d}	High-Order → \mathbf{Z}^{h}

shallow 단계는 익숙하다. \mathbf{X}^{d} = \bar{\mathcal{A}}\mathbf{E}와 \mathbf{X}^{h} = \bar{\mathcal{H}}\mathbf{E}로, 각각 LightGCN식 전파를 두 그래프에 한 번씩 돌린 것이다.

deep 단계가 꼬는 자리다. deep direct는 반대 사슬의 출력 \mathbf{X}^{h}를 입력으로 받고(\mathbf{Y}^{d} = \bar{\mathcal{A}}\mathbf{X}^{h}), deep high-order는 \mathbf{X}^{d}를 받는다(\mathbf{Y}^{h} = \bar{\mathcal{H}}\mathbf{X}^{d}). 식을 풀면 두 갈래가 각각 \bar{\mathcal{A}}\bar{\mathcal{H}}\mathbf{E}와 \bar{\mathcal{H}}\bar{\mathcal{A}}\mathbf{E}가 된다. 두 전파 연산자를 순서를 바꿔 합성한 두 결과를 함께 쓰는 셈이다. 이 합성 형태를 논문이 직접 적지는 않는다.

여기서 deep은 같은 graph convolution을 단순히 반복한다는 뜻이 아니다. 종류가 다른 두 전파를 직렬로 합성한다는 의미다.

3.2 한 layer의 누적과 잔차 연결

intent propagation까지 끝나면 두 사슬은 다음처럼 완성된다.

다음 GNN layer의 입력은 이전 embedding과 두 사슬을 잔차로 더해 만든다.

따라서 double helix의 실제 연산은 direct→high-order와 high-order→direct라는 두 operator 순서를 병렬로 유지하고, 각 단계의 표현을 누적하는 것이다. 교차 전파를 없앤 w/o he 절제는 뒤에서 full model 대비 약 4.5–6.2%의 하락을 보인다.

4. 의도 메시지 전파

4.1 깊은 의미 표현 만들기

의도 전파는 네 구조 표현을 하나로 합치는 데서 시작한다.

\mathbf{W}는 direct·high-order, shallow·deep 정보를 모두 본 노드 표현이다. 논문은 FCNN이라고만 적지만 공개 코드는 dropout 0.2, 4d\rightarrow d linear layer, sigmoid로 구현한다.

4.2 Edge intensity와 의도별 가중치

상호작용한 두 노드의 \mathbf{W} cosine similarity를 [0,1]로 옮겨 edge intensity를 만든다.

학습 가능한 K개 intent embedding \mathbf{C}\in\mathbb{R}^{K\times d}는 node-pair interaction \mathbf{w}_u\odot\mathbf{w}_v가 어떤 의도에 가까운지 가중한다. 각 edge는 하나의 intent label을 고르는 대신 K개 의도에 대한 soft weight를 갖는다.

흐름은 deep semantic representation \mathbf W에서 edge intensity를 만들고, K개 intent embedding과의 compatibility를 구해 intent별 weighted adjacency를 만드는 순서다. 이 과정은 direct graph와 high-order homogeneous graph에 각각 적용된다.

4.3 의도별 graph를 평균한 뒤 한 번 전파한다

그림 2. Intent별 adjacency를 개별 구성한 뒤 average pooling해 하나의 전파 행렬로 단순화하는 과정. 출처: Li et al. (2025), Figure 2, author manuscript, CC BY-NC-ND 4.0. 원문 내용을 변경하지 않고 캡처·축소.

원래 구상대로라면 K개 의도 graph에서 message passing을 각각 실행해야 한다. IPCCF는 계산량을 줄이기 위해 intent별 adjacency를 먼저 평균 pooling해 하나의 propagation matrix \bar{\mathcal R}로 만들고,

을 한 번 계산한다. Direct graph에서 얻은 결과가 \mathbf{Z}^{d}, homogeneous graph에서 얻은 결과가 \mathbf{Z}^{h}다.

따라서 intent propagation이라는 이름을 “K개 graph를 끝까지 따로 전파한다”는 뜻으로 읽으면 안 된다. K개 intent는 평균 행렬의 edge weight를 구성하고, 실제 sparse propagation은 통합된 행렬에서 한 번 수행된다. 논문은 intent embedding이 독립 의도 제약으로 거의 직교하고 LightGCN propagation이 선형이므로 이 간소화가 가능하다고 설명한다.

4.4 평균 pooling이 남기는 질문

Figure 4에서 K=4,8,16,32를 바꿔도 Recall@20의 변화가 작다는 결과는 intent 수에 대한 robustness를 보여 준다. 동시에 intent별 graph를 전파 전에 평균하는 구조가 K의 영향을 완화했을 가능성도 있다. 원래의 K회 propagation과 평균 pooling version을 직접 비교한 절제가 없으므로, 계산 절감과 표현력 손실 사이의 trade-off는 분리되지 않는다.

5. 추천·대조 목적함수와 설계 근거

5.1 Layer 표현에서 추천 점수까지

논문은 초기 embedding부터 마지막 GNN layer까지 평균해 최종 표현을 만든다.

사용자 u가 상호작용한 양성 item i를 음성 item j보다 높게 두도록 BPR loss를 최적화한다.

5.2 두 종류의 대조학습

대조 손실은 같은 노드의 서로 다른 관점 표현을 positive pair로, 같은 층의 다른 노드를 negative로 사용하는 InfoNCE 형태다.

• Double-helix sequence contrast \mathcal{L}_s는 두 사슬 \mathbf F,\mathbf S를 융합 표현 \mathbf E에 맞춘다.
• Propagation-process contrast \mathcal{L}_p는 direct끼리, high-order끼리 shallow·deep·intent 표현을 맞춘다.
• Independent-intent constraint \mathcal{L}_i는 K개 intent embedding 사이의 유사도를 줄인다.

특히 \mathcal{L}_p의 shallow–intent alignment가 구조 기반 표현과 intent 기반 표현을 직접 연결한다. 저자들이 말하는 disentanglement의 직접 supervision은 별도의 intent label이 아니라 이 cross-view contrastive signal을 뜻한다.

전체 목적함수는 다음과 같다.

\mathcal L_i를 완전히 끈 zero-ablation은 없고 Figure 6의 \lambda_3 범위에도 0이 포함되지 않는다.

5.3 각 장치는 어떤 실패를 겨냥하는가

장치	막으려는 실패	직접 절제
2-hop homogeneous relation	직접 이웃에 갇힌 구조 표현	w/o ho
Cross-transmission	한 관계 종류만 반복하는 전파	w/o he
Intent propagation	그래프 구조와 분리된 잠재 의도	w/o ip
Propagation contrast	추천 loss만으로 학습되는 간접 정렬	w/o pc
Sequence contrast	두 helix 표현의 불일치	w/o sc

진단과 절제가 연결된다는 점은 이 논문의 강점이다. 뒤의 Table IV에서 가장 큰 하락을 만드는 항목도 intent propagation과 high-order relation이다.

6. 평가 설계와 비교 조건

6.1 데이터셋과 full-rank 평가

데이터셋	사용자	아이템	상호작용	밀도
Gowalla	50,821	57,440	1,172,425	4.0\times10^{-4}
Amazon-book	78,578	77,801	2,240,156	3.7\times10^{-4}
Tmall	47,939	41,390	2,357,450	1.2\times10^{-3}

평가는 sampled item subset이 아니라 전체 item을 ranking하는 full-rank protocol이다. Precision·Recall·NDCG를 cutoff 20과 40에서 측정한다. 논문은 처리된 데이터 통계와 공개 코드의 train/test 파일을 제공하지만, split 생성 절차와 반복 실행 protocol은 본문에서 충분히 설명하지 않는다.

6.2 기준선과 비교 축

14개 기준선은 GNN recommendation(NGCF·LightGCN), self-supervised recommendation(SLRec·SGL-ED/ND·HCCF·LightGCL), disentangled multi-intent recommendation(DisenGCN·DisenHAN·CDR·DGCF·DGCL·DCCF·BIGCF)으로 나뉜다.

가장 중요한 비교 대상은 individual·collective intent와 대조학습을 결합한 BIGCF다. IPCCF가 추가한 고차 관계와 의도 전파의 가치를 판단하려면 오래된 약한 기준선보다 BIGCF와의 차이를 중심으로 봐야 한다.

6.3 공통 학습 설정

항목	설정
Optimizer / learning rate	Adam / 0.001
Embedding / GNN layers	d=32, L=2
Intent / high-order filter	K=8, Q=5, \eta=0.8
Batch size	본문 공정 비교 설정 10,240
주요 loss weight	\lambda_2=10^{-1}, \lambda_3=5\times10^{-3}, \lambda_4=2.5\times10^{-5}, \lambda_5=10^{-5}
\lambda_1	Gowalla 8\times10^{-2}, 나머지 10^{-1}

공개 코드의 기본 seed는 2022이고 early-stop patience는 50이지만, 논문 결과가 몇 seed의 어떤 실행에서 나온 것인지는 보고하지 않는다. 평균·표준편차·confidence interval·유의성 검정도 없다.

6.4 논문과 코드가 어긋나는 지점

항목	논문	공개 코드
Layer aggregation	Eq. (17)의 평균	모든 층 embedding 합산
Batch size	본문 10,240, 비용 문장은 1,024로 해석 가능	기본값 10,240
Contrastive temperature	수치 미기재	\tau=1
FCNN	구조 미기재	dropout 0.2, 4d\rightarrow d, sigmoid
Independent-intent loss	서로 다른 intent pair similarity	raw \mathbf C^\top\mathbf C 전체 평균, diagonal 포함

이 차이가 결과를 무효화한다는 뜻은 아니다. 다만 논문 조건의 재현과 공개 코드 조건의 재현이 동일한 실험이라고 단정할 수는 없다.

7. 결과와 절제

7.1 18개 지표의 일관된 개선

14개 기준선 가운데 BIGCF가 모든 지표에서 2위다. 따라서 주 결과는 BIGCF와 IPCCF를 데이터셋별로 직접 비교한다.

Gowalla

지표	BIGCF	IPCCF	개선율
P@20	.0280	.0297	+6.07%
P@40	.0199	.0209	+5.03%
R@20	.2086	.2178	+4.41%
R@40	.2883	.3002	+4.13%
N@20	.1242	.1310	+5.48%
N@40	.1450	.1527	+5.31%

Amazon-book

지표	BIGCF	IPCCF	개선율
P@20	.0338	.0376	+11.24%
P@40	.0258	.0277	+7.36%
R@20	.0989	.1106	+11.83%
R@40	.1468	.1562	+6.40%
N@20	.0761	.0894	+17.48%
N@40	.0918	.1043	+13.62%

Tmall

지표	BIGCF	IPCCF	개선율
P@20	.0205	.0216	+5.37%
P@40	.0158	.0163	+3.16%
R@20	.0755	.0803	+6.36%
R@40	.1167	.1210	+3.68%
N@20	.0535	.0579	+8.22%
N@40	.0680	.0721	+6.03%

18개 cell이 모두 같은 방향이라는 점은 강하다. 논문이 보고한 평균 relative improvement도 Precision 6.37%, Recall 6.14%, NDCG 9.36%다. 다만 NDCG 평균은 Amazon-book의 13.62–17.48% 개선에 크게 영향을 받고, Tmall의 P@40 절대 차이는 .0005다. 분산 정보가 없으므로 작은 차이의 실행 안정성은 판단할 수 없다.

7.2 구성요소 절제

Table IV의 full model 대비 Recall@20 상대 하락을 계산하면 다음과 같다.

변형·제거 요소	Gowalla	Amazon	Tmall
w/o ip · 의도 전파	−19.8%	−22.4%	−16.1%
w/o ho · 고차 관계	−11.6%	−16.7%	−15.2%
w/o spc · 모든 대조 손실	−9.2%	−9.8%	−12.7%
w/o he · 교차 전파	−4.6%	−5.7%	−5.7%
w/o dp · 깊은 전파	−4.2%	−5.1%	−5.3%
w/o pc · 전파 과정 대조	−2.6%	−6.9%	−9.6%
w/o pcd · 얕은–깊은 정렬	−1.9%	−4.0%	−6.0%
w/o pci · 얕은–의도 정렬	−1.1%	−1.8%	−1.9%
w/o sc · 사슬 대조	−1.4%	−0.9%	−0.6%

가장 큰 하락은 의도 전파와 고차 관계 제거에서 나온다. 원문 Table IV의 R@20·N@20 전체를 함께 보면 두 요소를 뺀 여섯 칸 모두 BIGCF 아래로 내려간다. 반면 w/o sc와 w/o pci는 여섯 칸 모두에서 여전히 BIGCF를 앞선다. 이중 나선의 교차 전파와 개별 대조 항도 도움이 되지만, 최선 기준선과의 격차를 결정하는 핵심은 2-hop 동종 구조에서 의도를 전파하는 부분이다.

모든 contrastive loss를 제거한 w/o spc의 하락은 개별 term 제거보다 크다. 논문은 기능 중첩 때문에 하나씩 뺀 효과가 작다고 설명한다. 독립 의도 제약 \mathcal L_i는 sensitivity만 있고 0으로 끈 별도 절제가 없어 순수 기여를 확인할 수 없다.

7.3 데이터 희소도와 intent 수

RQ3의 sparsity 분석은 Gowalla 한 데이터셋에서 사용자와 item group을 interaction 수에 따라 나누고 LightGCN·DCCF·BIGCF와 비교한다. 저자 보고에서 IPCCF는 희소한 group을 포함해 전반적으로 높은 Recall@20을 보인다. 그러나 한 데이터셋의 group analysis이므로 세 도메인 전체의 sparsity robustness로 일반화하기는 어렵다.

RQ4는 K=4,8,16,32를 비교한다. 세 데이터셋 모두 변화 폭이 작고 기본값 K=8이 안정적이다. 저자들은 learnable intent embedding이 서로 다른 K에서도 근최적 경로를 찾는다고 해석한다. 다만 intent adjacency를 평균 pooling한 뒤 한 번만 전파하는 구조 자체가 K 변화의 영향을 줄였을 가능성은 별도로 시험되지 않았다.

7.4 과다평활 결과의 범위

MAD는 노드 embedding 사이 거리를 요약하며 값이 클수록 representation이 덜 평활해졌다고 해석한다.

데이터셋·노드	최고 non-IPCCF	IPCCF	판정
Amazon User	.999	.999	공동 최고
Amazon Item	.994	.996	단독 최고
Tmall User	.999	.986	기준선보다 낮음
Tmall Item	.998	.995	DCCF보다 낮음

Amazon-book에서는 강하지만 Tmall 두 행에서는 DCCF가 더 높다. 논문 본문이 IPCCF를 highly competitive라고 표현한 것은 표와 맞지만, 모든 데이터셋에서 과다평활을 가장 잘 완화한다고 확대하기는 어렵다. Gowalla는 MAD 평가에 포함되지 않는다.

7.5 에폭 비용과 목표 성능 도달 시간

그림 3. 학습 epoch에 따른 NDCG@20. 출처: Li et al. (2025), Figure 5, author manuscript, CC BY-NC-ND 4.0. 원문 내용을 변경하지 않고 캡처·축소.

데이터셋	BIGCF/epoch	IPCCF/epoch	BIGCF 동일 성능까지 IPCCF 시간 비율
Gowalla	12.0s	16.5s	49.68%
Amazon-book	12.8s	20.1s	14.67%
Tmall	12.7s	19.2s	11.52%

IPCCF는 BIGCF보다 epoch당 37.5–57% 느리지만 더 적은 epoch로 BIGCF의 peak NDCG@20에 도달한다. Table VII의 세 비율 평균이 25.29%다. 이는 최종 학습 전체 시간이 항상 4분의 1이라는 뜻이 아니라, 각 데이터셋에서 특정 baseline 성능에 처음 도달하는 시간의 비교다. 비용 문단의 batch 표기가 본문 설정과 다르므로 절대 초 단위 재현에는 추가 확인이 필요하다.

8. 결과가 뒷받침하는 범위

8.1 가장 직접적인 기여는 intent propagation이다

IPCCF의 문제 진단과 가장 큰 절제 효과는 같은 방향을 가리킨다. 직접 이웃에 한정된 의도 분리를 넓히기 위해 2-hop 동종 관계를 만들고 그 위에서 의도를 전파했으며, 관련 요소를 제거할 때 가장 큰 하락이 나타난다. 개별 대조 항의 효과는 작지만 전체 대조학습을 제거하면 하락 폭이 커져 여러 정렬 신호가 겹쳐 작동한다는 해석을 지지한다.

8.2 핵심 주장을 할인해서 읽을 조건

주장	해석 경계
18개 지표 칸 모두 최고	모든 값이 단일 수치이며 반복·분산·유의성 검정이 없다.
평균 NDCG +9.36%	Amazon-book의 큰 개선이 평균에 상당히 기여한다.
희소도 robustness	Gowalla 한 데이터셋의 그룹별 분석이다.
Intent 수 robustness	평균 풀링 전파가 K 민감도를 줄였을 가능성이 분리되지 않았다.
과다평활 완화	Amazon·Tmall 네 칸 중 단독 최고는 하나이며 Gowalla가 빠져 있다.
Disentanglement 직접 지도	별도 의도 label이 아니라 관점 간 대조 신호이고 분리 정확도 metric은 없다.

추천 정확도와 MAD, 한 사례 분석은 유용하지만 latent intent가 실제 의미 단위로 더 잘 분리됐는지를 직접 측정하지 않는다. 따라서 disentanglement accuracy 향상은 ranking improvement와 representation diagnostic을 통해 간접적으로 지지된다.

8.3 재현성: 논문과 공개 코드를 함께 읽기

공개 저장소는 논문에 없는 세부를 보완하지만 §6.4의 layer aggregation, batch size, independent-intent loss 차이 때문에 어느 쪽을 기준으로 재현했는지 먼저 고정해야 한다. 논문의 Eq. (12)은 intent summation의 위첨자가 빠진 것으로 보이며 코드는 intent별 weight 평균을 구현한다. 코드가 수식의 의도를 보완하더라도 두 산출물이 완전히 같은 실험 조건을 표현한다고 가정하지 않는 편이 안전하다.

8.4 실제 적용 전에 확인할 조건

조건	이유
2-hop homogeneous relation을 미리 구축할 수 있는가.	유사도 계산·top-Q graph가 추가 preprocessing과 저장 공간을 요구한다.
\eta,Q를 새 graph에서 다시 검증했는가.	너무 많은 동종 관계는 noise를 추가한다.
Epoch 비용과 수렴 시간을 모두 측정했는가.	IPCCF는 epoch당 느리지만 목표 성능에는 빨리 도달한다.
여러 seed에서 작은 개선이 유지되는가.	Tmall 일부 절대 차이는 매우 작다.
Intent가 실제 의미 단위와 정렬되는가.	추천 metric만으로 disentanglement quality를 확정할 수 없다.
논문과 코드 중 어떤 설정을 기준으로 삼는가.	구현 차이를 먼저 고정해야 결과를 비교할 수 있다.

이 표는 논문이 배포 점검표로 제시한 것이 아니라, 방법과 공개 구현의 경계에서 직접 도출한 적용 기준이다.

9. 결론

IPCCF의 핵심은 의도를 몇 개로 나누느냐보다 어떤 그래프 구조에서 의도를 나누는가를 바꾼 데 있다. 사용자–아이템 직접 관계뿐 아니라 2-hop 사용자–사용자·아이템–아이템 관계를 만들고, 두 전파 순서를 교차한 뒤 의도 가중 전파와 대조 정렬을 수행한다.

세 데이터셋의 18개 지표가 모두 BIGCF보다 높고, 의도 전파와 고차 관계 제거가 가장 큰 하락을 만든다는 절제는 이 중심 설계를 지지한다. 반면 이중 나선의 개별 정렬 항은 작은 추가 효과를 보이며, 독립 의도 손실과 평균 풀링의 순수 기여는 분리되지 않았다.

따라서 이 논문은 모든 의도 분리 장치가 같은 비중으로 성능을 만든 연구라기보다, 동종 2-hop 구조를 의도 분리 과정에 편입한 효과를 보여 준 연구로 읽는 편이 정확하다. 반복 통계, 논문과 코드 설정의 조정, 직접적인 disentanglement 품질 지표가 보강되어야 작은 개선의 안정성과 잠재 의도의 의미를 더 분명하게 판단할 수 있다.

---

References

• Li, H., Du, J., Liu, G., Jiang, F., Wang, Y., & Zhou, X. (2025). Intent propagation contrastive collaborative filtering. IEEE Transactions on Knowledge and Data Engineering, 37(5), 2665–2679. https://doi.org/10.1109/TKDE.2025.3543241
• Li, H., et al. (2024). IPCCF [Source code]. GitHub. https://github.com/rookitkitlee/IPCCF
• He, X., Deng, K., Wang, X., Li, Y., Zhang, Y., & Wang, M. (2020). Lightgcn: Simplifying and powering graph convolution network for recommendation. SIGIR, 639–648.
• Wang, X., He, X., Wang, M., Feng, F., & Chua, T.-S. (2019). Neural graph collaborative filtering. SIGIR, 165–174.
• Ma, J., Cui, P., Kuang, K., Wang, X., & Zhu, W. (2019). Disentangled graph convolutional networks. ICML, 4212–4221. (DisenGCN)
• Wang, X., Jin, H., Zhang, A., He, X., Xu, T., & Chua, T.-S. (2020). Disentangled graph collaborative filtering. SIGIR, 1001–1010. (DGCF)
• Ren, X., Xia, L., Zhao, J., Yin, D., & Huang, C. (2023). Disentangled contrastive collaborative filtering. SIGIR, 1137–1146. (DCCF)
• Zhang, Y., Sang, L., & Zhang, Y. (2024). Exploring the individuality and collectivity of intents behind interactions for graph collaborative filtering. SIGIR, 1253–1262. (BIGCF)
• Cai, X., Huang, C., Xia, L., & Ren, X. (2023). Lightgcl: Simple yet effective graph contrastive learning for recommendation. ICLR.
• Xia, L., Huang, C., Xu, Y., Zhao, J., Yin, D., & Huang, J. (2022). Hypergraph contrastive collaborative filtering. SIGIR, 70–79. (HCCF)
• Wu, J., Wang, X., Feng, F., He, X., Chen, L., Lian, J., & Xie, X. (2021). Self-supervised graph learning for recommendation. SIGIR, 726–735.
• Yao, T., Yi, X., Cheng, D. Z., Yu, F., Chen, T., Menon, A., Hong, L., Chi, E. H., Tjoa, S., Kang, J., et al. (2021). Self-supervised learning for large-scale item recommendations. CIKM, 4321–4330. (SLRec)
• Rendle, S., Freudenthaler, C., Gantner, Z., & Schmidt-Thieme, L. (2009). Bpr: Bayesian personalized ranking from implicit feedback. UAI, 452–461.