NeurIPS22： Contrastive Graph Structure Learning via Information Bottleneck for Recommendation

talk

文章是阿里的，创新性也是一般，但在于其实验充分，且遇到了一个不是同行的审稿人给了8.。文章核心思想：对比学习来做推荐。不同点1：其所谓的图结构学习：不是简单的采用drop node或者edge，而是采用替换node和 mlp学边。 不同点2：损失函数，其从信息瓶颈阐述，这里很多地方写的不是很好，证明或者做法都怪怪的，自己看完，觉得不知道为什么 infonce也可以 去消除冗余。 有审稿人也是这样的看法。

1. model

1.1丢弃节点

从伯努利分布中 根据 ωi采样出 mask，来进行drop，不同于之前的，不是drop节点，而是采用邻居embedding代替节点embedding。
这里这个ωi 在底下有介绍，通过节点特征算。

1.2 丢弃边

同样是通过ωi 来进行伯努利采样，得到mask ρ。
其中，对于节点ωi，直接通过节点表征mlp。边的，通过两个节点拼接后端的表征接mlp。

同时松弛了这个ρ，这里之后看看引文11，及其代码