Les réseaux de neurones graphiques (GNN) ont récemment été utilisés pour concevoir des modèles de filtrage collaboratif (CF) visant à prédire les préférences des utilisateurs à partir d’interactions historiques entre utilisateurs et éléments. Toutefois, la compréhension de la relation entre les modèles de CF basés sur les GNN et certaines approches traditionnelles d’apprentissage des représentations de graphes (NRL) reste limitée. Dans cet article, nous démontrons l’équivalence entre certains modèles de CF basés sur les GNN d’avant-garde et un modèle traditionnel de NRL à une couche fondé sur le codage du contexte. À partir d’un processus de Markov qui équilibre deux types de distances, nous proposons une nouvelle méthode, appelée Markov Graph Diffusion Collaborative Filtering (MGDCF), permettant de généraliser plusieurs modèles de CF basés sur les GNN d’avant-garde. Contrairement à la vision classique des GNN comme une boîte noire entraînable qui propage des embeddings apprenables des sommets utilisateurs/éléments, nous les considérons ici comme un processus de Markov non entraînable, capable de construire des caractéristiques de contexte constantes pour les sommets, utilisées par un modèle NRL traditionnel qui encode ces caractéristiques via une couche entièrement connectée. Cette simplification permet une meilleure compréhension du rôle des GNN dans les modèles de CF. En particulier, elle met en évidence le rôle crucial des pertes de classement dans les tâches de CF basées sur les GNN. Grâce à la perte de classement simple mais puissante que nous proposons, appelée InfoBPR, le modèle NRL peut encore obtenir de bons résultats sans recourir aux caractéristiques de contexte construites par les GNN. Nous menons des expériences détaillées pour analyser le fonctionnement de MGDCF.