论文:自监督图学习推荐系统 (SIGIR2021)
Code:https://github.com/wujcan/SGL-TensorFlowhttps://github.com/wujcan/SGL-TensorFlow
GitHub - wujcan/SGL-Torch: SGL PyTorch versionhttps://github.com/wujcan/SGL-Torch
1. 前言
1.1 提出的问题(当前基于GCN的推荐模型)
- 稀疏监督信号 :大多数模型在监督学习范式下处理推荐任务,监督信号来自观察到的用户项目交互。然而,与整个交互空间相比,观察到的交互非常稀疏,不足以学习高质量的表示。
- 不均的数据分布 : 观察到的相互作用通常呈现幂律(长尾)分布,其中长尾由缺乏监督信号的低度项(冷门项目)组成。相比之下,在邻域聚合和监督损失中,高次项(热门项目)出现的频率更高,从而对表示学习产生更大的影响。因此,GCN很容易偏向于热门项目,从而忽略了冷门(长尾)项目。
- 噪声的交互干扰 :用户提供的大多数反馈都是隐式的(例如,点击、查看),而不是显式的(例如,评分、喜欢/不喜欢)。因此,观察到的交互通常包含噪音ÿ