小红书精读：Do All Nodes Benefit Equally from Knowledge Graphs? Adaptive Node-Aware KG Fusion for Recommendation

所有节点都该吃知识图谱吗🤔

各位算法同学们，知识图谱不是加得越多越好：对CF信号本来就靠谱的节点，硬塞KG反而是在给它添乱。这篇来自Soongsil University、挂在CIKM ‘26的工作，把“每个节点到底该吃多少知识”变成了一个可量化的问题，思路比常见的“用注意力挑邻居”更靠上一层。

📄 Do All Nodes Benefit Equally from Knowledge Graphs? Adaptive Node-Aware KG Fusion for Recommendation

🔧 双视图分开编码：IG和KG各用一套编码器，不让KG在传播过程中顺手动到协同过滤信号，这是它和KGAT一类在CKG上统一传消息的做法最本质的差别。

🧩 用“稳定性”决定KG权重：对每个节点的CF表示做小幅对抗扰动，看它稳不稳；越不稳说明CF证据越不足，就分配越大的KG贡献，而不是简单按交互度数或长尾与否来切。

⚙️ 先对齐再融合：把IG和KG嵌入投到共享空间做自适应对齐，再按节点级依赖度加权融合，融合强度是逐节点的，不是全局一个超参。

📊 论文在四个真实数据集上和主流KG-aware方法做了对比，结论是整体表现更优。

📈 消融单独验证了“节点级自适应融合”这一策略本身有效，而不是靠编码器或对齐模块蹭出来的增益。

✅ 代码和数据集已开源在GitHub（ssu-dmlab/AdaKG），复现路径比较清楚。

⚠️ 摘要只给了定性强结论，没放具体提升数字。想看它比KGAT、KGIN、KGCL这些强多少，得直接翻正文表格，重点看按度数分层之后的结果。

总结：这篇适合正在做KG推荐、又隐约觉得“uniform fusion”不太对的同学，冷启动和长尾场景优先看。判断它管不管用，别只盯整体Recall/NDCG，要看尾部节点涨了多少，同时确认CF本来就稳的那批节点指标有没有掉——掉了就说明扰动估计出来的稳定性打分没分对。落地前还要算笔账：对抗扰动估计是额外开销，扰动率和节点权重的校准方式，是这套方法最容易翻车的地方。

原文：AlphaXiv