تم استخدام الشبكات العصبية الرسومية (GNNs) مؤخرًا لبناء نماذج التصفية التعاونية (CF) للتنبؤ بتفضيلات المستخدمين بناءً على التفاعلات التاريخية بين المستخدمين والعناصر. ومع ذلك، لا يزال هناك فهم محدود نسبيًا لكيفية ارتباط نماذج التصفية التعاونية المستندة إلى GNNs ببعض النهج التقليدية لتعلم تمثيل الشبكات (NRL). في هذا البحث، نُظهر التكافؤ بين بعض نماذج GNNs المتقدمة المستخدمة في التصفية التعاونية ونموذج NRL ذي طبقة واحدة تقليدي يعتمد على ترميز السياق. وباستخدام عملية ماركوف توازن بين نوعين من المسافات، نقدم نموذج التصفية التعاونية المُتَفَرِّقة الرسومية ماركوف (MGDCF) لتمديد بعض النماذج المتقدمة المستندة إلى GNNs في التصفية التعاونية. بدلًا من اعتبار GNNs كصندوق أسود قابل للتدريب يُمرر تمثيلات قابلة للتعلم للمستخدمين/العناصر، نعامل GNNs كعملية ماركوف غير قابلة للتدريب، يمكنها إنشاء ميزات سياقية ثابتة للرؤوس، لنموذج NRL تقليدي يقوم بترميز هذه الميزات باستخدام طبقة متصلة بالكامل. يمكن أن يُسهم هذا التبسيط في فهم أفضل لكيفية استفادة نماذج GNNs من نماذج التصفية التعاونية. وتحديدًا، يساعدنا في إدراك أن خسائر الترتيب تؤدي أدوارًا حاسمة في المهام المتعلقة بالتصفية التعاونية المستندة إلى GNNs. وباستخدام خسارة الترتيب البسيطة ولكن القوية التي اقترحناها، وهي InfoBPR، يمكن للنموذج المبني على NRL أن يحقق أداءً جيدًا حتى دون الحاجة إلى ميزات السياق التي تُنشَأ بواسطة GNNs. قمنا بإجراء تجارب لتحليل مفصل لنموذج MGDCF.