Improving Graph Collaborative Filtering with Neighborhood-enriched Contrastive Learning（个人笔记）

论文：利用邻域丰富的对比学习改进图协同过滤 （NCL） WWW22

文章链接：https://arxiv.org/abs/2202.06200v1https://arxiv.org/abs/2202.06200v1

代码链接：GitHub - RUCAIBox/NCL: [WWW22] Official PyTorch implementation for "Improving Graph Collaborative Filtering with Neighborhood-enriched Contrastive Learning".[WWW22] Official PyTorch implementation for "Improving Graph Collaborative Filtering with Neighborhood-enriched Contrastive Learning". - GitHub - RUCAIBox/NCL: [WWW22] Official PyTorch implementation for "Improving Graph Collaborative Filtering with Neighborhood-enriched Contrastive Learning".https://github.com/RUCAIBox/NCL

---

1. 前言

1.1 提出的问题 （图神经协同过滤）

a. 用户-项交互数据通常是稀疏的或有噪声的，它可能无法学习可靠的表示，因为基于图的方法可能更容易受到数据稀疏性的影响。

b. 现有的基于GNN的CF方法依赖于显式的交互连接来学习节点表示，而高阶关系或约束（例如，用户或项目相似性）就不能显式的用于丰富图信息，然而这些（高阶信息或约束）在推荐任务中已经被证明是非常有用的。尽管最近的几项研究利用对比学习来缓解交互数据的稀疏性，但它们通过随机抽样节点或损坏子图来构建对比对，缺乏构建针对推荐任务更有意义的对比学习任务的思考。

1.2 做出的贡献

a. 我们提出了一个与模型无关的对比学习框架--NCL，它结合了结构邻居和语义邻居来改进图神经协同过滤。 

b. 我们提出学习这两种邻居的代表性嵌入，这样就能在一个节点和相应的代表性嵌入之间进行对比学习，这在很大程度上提高了算法的效率。

c. 在五个公共数据集上进行了广泛的实验，证明我们的方法始终优于许多基线，包括GNN和基于对比学习的推荐方法。

1.3 结构邻居和语义邻居