HGCL：Heterogeneous Graph Contrastive Learning for Recommendation

Heterogeneous Graph Contrastive Learning for Recommendation

解决的问题

推荐场景通常涉及异构关系（例如，社交感知的用户影响、知识感知的项目依赖性），其包含用于增强用户偏好学习的富有成效的信息。
本文研究了异构图增强的关系学习推荐问题。异构辅助信息对交互的影响可能因用户和项目而异，为了推进这一思想，我们用Meta网络增强了我们的异构图对比学习，以允许具有自适应对比增强的个性化知识Transformer。

HGCL模型

我们首先利用异构图神经网络作为编码器，在编码后的嵌入中保留了异构关系的丰富语义。为了科普个性化增强，我们提出了一个定制的对比学习框架，该框架设计了一个Meta网络来编码用户和项目的个性化特征。它允许我们执行特定于用户和项目的增强，以便在不同的关系视图之间传输信息信号。

注意这里训练了一个自门控模块，以从公共空间中导出用户社交关系和项目语义冠以的感知嵌入：
以U-I编码器为例，传播过程是：