我觉得这个 proposal 已经明显超过“大作业应付水平”了，已经很接近一个正式的 workshop / course project proposal 了。整体上：
- 结构完整
- 技术路线合理
- 风险控制清晰
- baseline 和 ablation 都考虑到了
- 对 recommendation + heterogeneous graph 的理解是在线的
尤其你们没有只写“我们用 GNN 做推荐”，而是真的把：
- hetero graph
- cold start
- negative sampling
- threshold tuning
- feature initialization
- baseline comparison
这些关键问题都考虑进去了，这点很好。
但如果站在：
“老师 / reviewer / TA”
的视角，我会给你几个建议，能明显再提升一个档次。
一、最大的优点：你们的“问题定义”是清楚的
很多 proposal 最大的问题是：
“我要用 GNN 做推荐”
但根本没说清：
- 图怎么建
- 节点是什么
- 边是什么
- label 是什么
- prediction target 是什么
而你们这里：
author-paper link prediction
定义得非常清晰。
这一段尤其好：
该任务可以建模为异构图上的链接预测问题
这说明你们不是把它当普通分类。
这是 reviewer 很喜欢的。
二、你们对“冷启动”的讨论是加分项
这里：
利用合作者关系和论文引用网络补充信息
是非常合理的。
因为：
这正是：
GNN 在推荐中的核心价值
不是：
“我用了更高级模型”
而是：
图结构能传播稀疏节点的信息
你们 actually 抓住了这个点。
三、Research Plan 写得不错，但还可以更“科研化”
目前的问题是：
有一点：
“工程流水账”
比如：
第一阶段
第二阶段
第三阶段
虽然清晰，但略像开发计划。
你们可以适当加入：
“研究问题（Research Questions）”
例如：
RQ1
不同边类型对推荐性能的贡献如何？
例如：
- 去掉 author-author
- 去掉 paper-paper
看 F1 变化。
RQ2
作者初始化方式是否影响冷启动作者性能？
比较：
- trainable embedding
- average cited paper embedding
- collaborator-enhanced embedding
RQ3
hard negative sampling 是否比 random negative 更有效？
这样会：
非常像正式 paper
而不是课程报告。
四、目前最弱的一部分：baseline 还不够强
你们现在写：
popularity baseline
这个太弱了。
建议至少加：
1. Matrix Factorization
比如：
- BPR
- implicit MF
因为：
推荐系统里 reviewer 默认会问：
“为什么不用传统 CF？”
2. Node2Vec / DeepWalk
因为：
这是：
非 GNN graph embedding baseline
非常合理。
3. Common Neighbor / Adamic-Adar
尤其是：
author-paper 二部图里。
传统 link prediction baseline 很适合写进去。
这样你们会形成：
三层 baseline
Level 1
Heuristic：
- popularity
- common neighbor
Level 2
Traditional：
- MF
- Node2Vec
Level 3
GNN：
- LightGCN
- HeteroGNN
这样整个实验会非常完整。
五、负采样部分写得很好
这是很多组根本不会考虑的。
尤其：
hard negative
这点很好。
因为 recommendation 的关键不是：
“随机负样本”
而是：
区分容易混淆的论文
例如：
- 同领域
- 同引用社区
- 同作者群体
这些 negative 更有价值。
六、这里有一个潜在风险：label leakage
你们现在：
paper-paper citation
需要注意：
测试集论文是否出现在训练 citation graph 中
否则可能：
未来信息泄漏。
建议在 proposal 里加一句：
We will carefully avoid potential information leakage between training edges and recommendation targets when constructing the heterogeneous graph.
会显得很专业。
七、feature.pkl 那里还可以写得更具体
现在：
论文节点的初始特征来自官方提供的 feature.pkl
有点太模糊。
建议补一句：
例如：
The provided paper features are expected to encode semantic or structural information of papers, which may help the GNN better distinguish topic similarity beyond pure graph topology.
否则 reviewer 会觉得：
你们没想清 feature 是干嘛的。
八、你们目前最合理的主模型其实是：
LightGCN + Heterogeneous Edges
原因：
优点 1：推荐系统适配性极强
LightGCN 本来就是：
recommendation 专用 GNN
优点 2：不会过拟合
异构 Transformer 很容易：
- 参数爆炸
- 训练不稳
- 小数据过拟合
你们这个数据：
6k authors
80k papers
其实不算特别大。
LightGCN 可能比 HGT 更稳。
优点 3：老师会更认可
因为：
你们不是：
“盲目堆复杂模型”
而是：
根据任务特点选模型
这是加分项。
九、proposal 里缺少“evaluation protocol”
建议补：
Validation Split
例如：
We will randomly split a portion of training author-paper edges as validation positives and construct corresponding negative pairs for evaluation.
Metrics
除了 F1：
建议再写：
- Precision
- Recall
- ROC-AUC
因为：
F1 对 threshold 很敏感。
十、一个很值得加入的点：Meta-path
你们现在其实已经 implicitly 用到了。
但如果明确写：
例如：
Author → Author → Paper
Author → Paper → Paper
可能能加不少分。
因为：
heterogeneous graph recommendation 里：
meta-path 是经典关键词
十一、如果我是 reviewer，我会给的评价
大概会是：
优点
- 问题定义清晰
- 技术路线合理
- baseline 和 ablation 意识较强
- 对 hetero graph 和 recommendation 有理解
- 考虑了冷启动与 hard negative
缺点
- baseline 还可以更完整
- research question 不够明确
- feature 使用略模糊
- evaluation protocol 可以更细
十二、我最建议你们加的一句话
这一句会让 proposal 瞬间更像 paper：
We are particularly interested in understanding how heterogeneous relational structures (co-authorship and citation networks) contribute to recommendation performance under sparse interaction settings.
因为：
它把：
- hetero graph
- cold start
- recommendation
三个核心点串起来了。
非常像正式 research proposal。