跳转至

VK Friend-GNN：多哈希表示与时序邻居采样

Fidelity：核心机制复现。 本地执行多哈希共享表、按时间排序邻接与二分 cutoff，并在公开数据上与同候选集基线比较。

论文信息

项目 内容
论文链接 arXiv 2608.27413
公司/机构 AI VK（第一作者第一署名单位）
首次公开日期 2026-08-27（arXiv v1）
原文开源代码 是：makut/VK-GNN
Adapter friend-gnn
本地复现代码 src/auto_research/reproductions/friend_gnn/

原始论文总结

背景与主要改动

超大社交图既放不下完整用户 ID 表，又必须防止采到未来好友边。论文用三个独立 hash 查共享表并拼接投影，以 timestamp-sorted CSR + binary search 得到历史邻居前缀，再由 GATv2 和 query/candidate 双头打分。

flowchart LR
  I[用户 ID 与属性] --> H[Multi-hash shared table]
  G[Timestamp-sorted CSR] --> S[Binary-search temporal sampler]
  H --> A[GATv2]
  S --> A
  A --> Q[Query / candidate 双头]
  Q --> R[生产 ranker]

原论文关键图

VK Friend-GNN：多哈希表示与时序邻居采样 原论文 Figure 3

原论文 Figure 3（关键图）：展示原论文的训练流程与关键优化环节。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

\[ e_u=T_{h_1(u)}\|T_{h_2(u)}\|T_{h_3(u)},\qquad p=\operatorname{lower\_bound}(ts_u,\tau-\Delta). \]

论文离线与线上效果

194M 用户、28B 边；ID 表压缩超过 98%。生产 A/B 相对强基线：好友添加 +16%，独立好友添加用户 +11.5%。

本地复现

本地对照口径：基线为相同全候选目录上的 popularity ranker，实验组为 Friend-GNN 时序图 proxy；Hit@10 相对提升 247.62%，仅用于本地机制对照。

MovieLens-1M 相同全库候选口径：Hit@10 0.0656 → 0.2281，NDCG@10 0.0387 → 0.1100。该大幅变化只说明时序图邻接在此 proxy 上比 popularity 强，不可外推为 VK 线上提升。

指标见 metrics/movielens-1m-seed42.json。

auto-research reproduce --paper friend-gnn --dataset-dir data --seed 42

复现边界

MovieLens 物品转移图不是好友图；未复刻 VK 私有日志、194M 用户图、分布式 GATv2 和生产 ranker。