Blueghost19的博客

[SIGIR24]Exploring the Individuality and Collectivity of Intents behind Interactions for Graph Collaborative Filtering

自监督推荐（Self-supervised recommendation，SSR）在协同过滤任务中展示了巨大的成功。其中一个重要分支——对比学习（contrastive learning，CL）通过对比原始数据和增强数据的嵌入来缓解推荐的数据稀疏问题。然后，现有的基于CL的SSR方法大多数直观一个batch的对比，而没有探索特征维度的潜在规律。此外，在推荐场景，还没有工作考虑过基于batch的对比（BCL）和基于特征的对比（FCL）。因此，本文提出了用于推荐的双对比方法，简称为RecDCL。

图神经网络（graph neural network，GNN）在协同过滤任务中建模高阶用户-物品交互关系方面取得了显著成功。这些基于GNN的推荐系统通过迭代的信息传递范式将用户-物品交互二部图编码为用户和物品的低维嵌入表示。通过捕获嵌入空间内高阶的用户-物品相似性，基于图神经网络的协同过滤方法具备了最先进的推荐性能。然而，在现实世界中用户-物品往往是高度稀疏的，这很难为推荐模型提供足够的监督信号。

在本文中，作者发现消息传递通过利用社区之间的互动来捕捉协同效应。捕获的协同效应的强度取决于嵌入的相似性、路径的权重和每个传播层的贡献。为了确定捕获的协同效应果是否有利于用户偏好的预测，作者提出了共同交互比率（CIR）和CAGCN。

论文名称：Generative-Contrastive Graph Learning for Recommendation。

然而，大多数基于对比学习的方法的成功在很大程度上取决于手动生成的对比视图（view），这种数据增强策略很难在不同的数据集和下游推荐任务中推广。为了在基于图结构的交互数据上自适应地提取重构的自监督信号，作者提出自适应地重构遮盖的用户-物品交互边。考虑到目前基于对比学习的推荐系统的有限性，作者认为有必要设计一个统一的基于自监督学习（SSL）的推荐框架，其不仅可以提取自监督信号进行有效的数据增强，还可以减轻人工生成自监督信号或定义增强策略的工作量。形式上，节点v的子图语义相关分数。表示节点v的k阶内的邻居。

传统的图对比方法（例如SGL和SimGCL）通过构造两个额外的视图来对比嵌入，而原始图生成的嵌入不直接涉及对比损失，这使得基于图对比的推荐系统是冗余的三视角范式。而现有的大多数图对比方法依赖于对用户-物品交互图的随机扰动，或者需要基于启发式的扩充技术（例如聚类）来生成对比视图。需要指出的是，在大规模矩阵上执行SVD是非常耗时的，这使得用于处理大规模的用户-物品交互矩阵时不可行的。（2）基于启发式策略的对比策略很大程度上依赖于视图的生成，这限制了模型的通用性，并且容易收到噪声的影响。

以生成对抗网络（Generative Adversarial Network，GAN）和变分自编码器（Variational Auto-Encoder，VAE）为代表的生成模型已经被广泛地应用于对用户交互的生成过程进行建模。然而，它们存在固有的限制，例如GAN的不稳定性，和VAE的有限表达能力。这些限制阻碍了复杂的用户交互行为的生成过程，例如由于各种原因产生的噪声交互。

对于基于用户-物品交互图协同过滤（CF）任务，图神经网络（GNN）展现出了强大的图结构建模能力。然而，由于其在邻居节点之间的迭代信息传递机制和过平滑以及低通拉普拉斯平滑算子的噪声效应，现有的基于GNN的CF方法可能会生成无法区分且不准确的用户（物品）嵌入表示。另一方面，在实际应用中，在完整图结构上的的迭代信息传播可以会导致较差的可扩展性。

[SIGIR‘22]图对比推荐论文SimGCL/XSimGCL算法和代码简介

经典图推荐系统论文Self-supervised Graph Learning for Recommendation算法及代码简介

图卷积网络（Graph Convolution Network，GCN）已经被广泛地应用于推荐系统。然而先前基于GCN进行协同过滤的工作（例如NGCF）缺少对GCN的消融研究。作者指出GCN最初被设计用于图上的节点分类任务，并且GCN的特征转换与非线性激活过程并不适用于协同过滤。基于此，作者在标准的GCN的基础上针对推荐任务进行了简化，提出了轻量级图卷积网络（LightGCN）。本文对LightGCN的算法与代码细节进行了简要介绍。