Graph Signals: Low‑ und High‑Frequency gleichwertig für Empfehlungen

In der Welt der Empfehlungssysteme haben spectral graph neural networks (GNNs) lange Zeit den Erfolg ihrer Modelle dem Low‑Pass‑Filtering zugeschrieben. Neue Untersuchungen zeigen jedoch, dass auch hochfrequente Signale eine entscheidende Rolle spielen können.

Die vorliegende Arbeit beweist theoretisch, dass sowohl niedrige als auch hohe Frequenzen im Graphen dieselbe Wirkung entfalten: Sie glätten die Ähnlichkeiten zwischen Nutzer‑Item‑Paaren und verbessern damit die Empfehlungsqualität. Dieses Ergebnis klärt ein langanhaltendes Rätsel und legt die Grundlage für neue Optimierungsstrategien.

Auf Basis dieser Erkenntnis wird ein sogenannter Frequency‑Signal‑Scaler vorgestellt – ein Plug‑and‑Play-Modul, das die Filterfunktion des Graphen anpasst und die Glättung der Nutzer‑Item‑Ähnlichkeiten feinjustiert. Der Scaler lässt sich in jedes bestehende GNN‑Modell integrieren und erhöht die Flexibilität bei der Modellierung von Graphsignalen.

Weiterhin wird gezeigt, dass graph‑embedding‑basierte Methoden die Eigenschaften von Graphsignalen nicht vollständig erfassen können. Um diese Lücke zu schließen, wird die Space‑Flip‑Methode eingeführt, die die Ausdruckskraft von Graph‑Embeddings wiederherstellt und die Modellleistung steigert.

Durch umfangreiche Experimente auf vier öffentlichen Datensätzen wird demonstriert, dass sowohl reine Low‑Frequency‑ als auch reine High‑Frequency‑Signale allein bereits zu effektiven Empfehlungen führen. Die Kombination beider Frequenzbereiche liefert dabei die bestmöglichen Ergebnisse.

Der komplette Code ist frei verfügbar unter https://github.com/mojosey/SimGCF.