​ICLR 2023 | LightGCL: 简单且高效的图对比学习推荐系统

©PaperWeekly 原创 · 作者 | 蔡旭恒

单位 | 香港大学

研究方向 | 推荐系统

论文题目：

LightGCL: Simple Yet Effective Graph Contrastive Learning for Recommendation

收录会议：

ICLR 2023

论文链接：

https://arxiv.org/abs/2302.08191

代码链接：

https://github.com/HKUDS/LightGCL

港大数据智能实验室 （指导老师：黄超）

https://sites.google.com/view/chaoh

研究背景

近年来，图神经网络（Graph Neural Networks，或简称 GNN）在基于图的推荐系统上展现了良好的效果，而这得益于其整合相邻结点信息以进行协同过滤（Collaborative Filtering）的能力。总的来说，基于 GNN 的推荐模型在用户-物品交互图上进行多层的信息传递，以此挖掘高阶的（high-order）连接信息。很大一部分基于 GNN 的协同过滤模型采用了监督学习（Supervised Learning）的范式，而这需要大量而准确的带标签信息用以训练。

然而，在实际的应用场景中，数据往往十分稀疏，导致监督学习无充分的信息可供利用。为了解决信息稀疏问题，最新的模型往往采用对比学习（Contrastive Learning）来对数据进行增强操作。具体来说，对比学习的主旨是在原有图结构的基础上略作扰动，并以此增强后的新图产生一组新的表征向量，然后将这组新的表征向量与原图产生的表征向量进行对齐，并将不属于同一结点的表征向量互相推远。

虽然对比学习在提升图推荐系统的效果上作用十分明显，它的效果很大程度上依赖于数据增强的方法。绝大部分现有的图对比学习方法使用基于随机过程（stochastic-based）或基于经验的（heuristic-based）数据增强方法。

虽然这些方法达到了不错的效果，但亦存在几种问题：首先，基于随机过程的图数据增强可能会损失图中重要的结构信息，从而误导模型；其次，基于经验的对比学习方法建立在对数据分布较强的假设上，而这会限制模型的普适性，并容易受数据中的噪声影响；再者，绝大部分基于 GNN 的对比学习推荐系统仍然存在图表征过平滑问题，无法有效地将正负样例区分开来。

为了解决上述问题，本文重新探索了图对比学习的范式，并提出了一种简单且高效的图对比学习框架 LightGCL。在此新框架下，图数据增强是由奇异值分解及重构（Singular Value Decomposition and Reconstruction）来指导的。

以此方式进行图数据