看到你们有比较Dual Channel Hypergraph Collaborative Filtering这篇文章提出的DHCF方法，想来请教一下。
这篇文章似乎存在一些问题。首先公式6和公式16对不上，到底\Theta是应该乘在哪里不明确，按描述似乎公式16是符合图2的。公式8这个min函数比较的对象似乎不对，标量1和矩阵进行比较，个人觉得这个形式有问题。我的理解是k>1返回power，不大于1返回单位矩阵。其次item的2阶可达用户构造的incidence matrix (i.e. HH^TH)已经十分密集了，就文章所用到的movielens数据集而言，2阶Incidence matrix基本上非0的已经很少了。item数量稍大的情况下，需要存储一个size为M^2的dense matrix，没有扩展性可言，运算量也较大。为每个batch单独构造一个incidence matrix虽然可行，但对比LightGCN这样的方法，效率低下。
文章构造hyperedge的方法也非常heuristic，divide-and-conquer只在摘要引言和结论出现过，怎么体现到方法中的，感觉也没有讲。我个人按论文复现后按作者的实验设置放到LastFM数据集上运行，效果也远逊NGCF。不知道您怎么看这篇文章以及DHCF这个方法。
看到你们有比较Dual Channel Hypergraph Collaborative Filtering这篇文章提出的DHCF方法，想来请教一下。
这篇文章似乎存在一些问题。首先公式6和公式16对不上，到底\Theta是应该乘在哪里不明确，按描述似乎公式16是符合图2的。公式8这个min函数比较的对象似乎不对，标量1和矩阵进行比较，个人觉得这个形式有问题。我的理解是k>1返回power，不大于1返回单位矩阵。其次item的2阶可达用户构造的incidence matrix (i.e. HH^TH)已经十分密集了，就文章所用到的movielens数据集而言，2阶Incidence matrix基本上非0的已经很少了。item数量稍大的情况下，需要存储一个size为M^2的dense matrix，没有扩展性可言，运算量也较大。为每个batch单独构造一个incidence matrix虽然可行，但对比LightGCN这样的方法，效率低下。
文章构造hyperedge的方法也非常heuristic，divide-and-conquer只在摘要引言和结论出现过，怎么体现到方法中的，感觉也没有讲。我个人按论文复现后按作者的实验设置放到LastFM数据集上运行，效果也远逊NGCF。不知道您怎么看这篇文章以及DHCF这个方法。