RankGraph-2：可扩展工业图召回¶
复现保真度：核心机制复现。 流行度校正、离线 PPR 和 cluster index 均实际执行。
论文信息¶
| 项目 | 内容 |
|---|---|
| 论文链接 | arXiv 2606.18379 |
| 公司/机构 | Meta |
| 首次公开日期 | 2026-06-16（arXiv v1） |
| 原文开源代码 | 否：论文未提供官方/作者代码（核查日期：2026-08-09） |
| Adapter | rankgraph2 |
| 本地复现代码 | src/auto_research/reproductions/rankgraph2/ |
原始论文总结¶
背景与主要改动¶
直接在线跑多层 GNN 成本高且易受热门边支配。RankGraph-2 对边做 popularity correction，离线预计算多跳 PPR，再用共同学习的 residual/cluster index 压缩服务。
flowchart LR
A["User-item graph"] --> B["Popularity-corrected edges"]
B --> C["Offline multi-hop PPR"]
C --> D["Residual cluster index"]
D --> E["Low-cost online retrieval"]原论文关键图¶
原论文 Figure 2（关键图）：展示原论文提出的核心架构、主要模块及其连接关系。图片来自原论文，版权归原作者所有；点击图片可查看来源。
核心公式¶
\[
\pi_i=\alpha e_i+(1-\alpha)\pi_i\tilde P,\qquad
\tilde P_{uv}\propto P_{uv}/\sqrt{1+\operatorname{pop}(v)}.
\]
论文离线与线上效果¶
计算减少 83%，召回提升 3.8 倍/2.1 倍；线上 CTR +0.96%、CVR +2.75%，覆盖 20 多次生产发布。
本地复现¶
MovieLens item graph 上真实执行去偏转移、多跳 PPR 与 PPR 表征聚类索引。
本地对照口径：基线为 one-hop retrieval，实验组为 debiased PPR + 两级 residual cluster index；NDCG@10 0.03540→0.07421，相对 +109.65%，见
metrics/movielens-100k-seed42.json。