WSDM 2023 | HGCL: 探索推荐系统中的异质图对比学习

最新推荐文章于 2024-11-11 16:40:42 发布

PaperWeekly

最新推荐文章于 2024-11-11 16:40:42 发布

阅读量1.3k

点赞数 1

文章标签：学习机器学习人工智能深度学习神经网络

本文链接：https://blog.csdn.net/c9Yv2cf9I06K2A9E/article/details/129980033

版权

本文介绍了Heterogeneous Graph Contrastive Learning (HGCL)框架，该框架应用于推荐系统，以解决基于图神经网络的异构图学习中标签信息稀疏的问题。通过跨关系视角的知识转换和个性化增强的对比学习，提升用户和商品特征表示的质量。在Yelp、Epinions和Ciao数据集上的实验结果显示，HGCL相对于传统对比学习方法和基线模型有显著的性能提升。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

@Paperweekly 原创 · 作者 | 陈梦如

单位 | 华南理工大学

研究方向 | 推荐系统

论文题目：

Heterogeneous Graph Contrastive Learning for Recommendation

收录会议：

WSDM 2023

论文链接：

https://arxiv.org/abs/2303.00995

代码链接：

https://github.com/HKUDS/HGCL

港大数据智能实验室

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

研究背景

近年来，图神经网络（GNNs）已经被广泛应用于推荐系统中，以编码图结构中存在的用户和商品之间的关系信息。其关键思想是聚合邻居信息来更新节点特征，并通过图网络层进行消息传递。然而，很多基于 GNN 的协同过滤模型仅编码同构的交互关系，且只在单一的用户-商品关系图上进行。而在现实推荐场景中，包含多种重要语义关系的复杂图结构（也称为异构图信息网络）是无处不在的，例如可能存在社交关系和基于商品知识的商品之间的连接关系。

因此许多研究者尝试基于功能强大的图神经网络去设计异构图学习模型，可以将其丰富的语义关系信息图编码成潜在的表征。但是异构图神经网络模型表征学习的潜在能力受限于稀疏的标签信息，可能导致产生质量不高的用户和商品的特征表示。

作为可以解决数据稀疏问题的技术，对比自监督学习能从无标签的数据中学习潜在的数据结构关系利用数据增强方法。其与图神经网络的结合称之为图对比学习也已经成为提升表示学习鲁棒性的有效方法。图对比学习的通用做法是研究两个图对比视角的特征表示的一致性。使