MixGCF: 一种改进的基于图神经网络的推荐系统训练方法 （KDD 21）

核心问题：

基于gnn的CF中的负采样在很大程度上尚未被探索，利用用户-项目图结构和gnn的聚合过程来研究负抽样，我们不是从数据中取样原始负样本，而是采用一种hop mixing技术对原始负样本进行处理，然后还是会利用聚合过程获得多层信息，最终来合成得到可靠的新负样本，使其与正样本更加相似，以达到更好的训练区别正负样本边界的效果

具体实现：

具体来说， 

整体实现框架是：

首先我们是可以拥有原始的负样本（即未被观察到的items都可以被看作负样本且一般方法都是随机抽样得到负样本）本文通过mixing得到新的hard negatives samples，分为两步实现：positive mixing and hop mixing. 在正混合中，我们提出了一种插值混合方法，将正样本的信息注入到负样本中，得到hard negative samples。在hop mixing中，我们首先利用hard nagetives stategy从上述产生的每一个硬负项中提取唯一的信息，然后使用池化操作将提取的不同信息组合起来，生成虚假但有信息的负项.

MixGCF的流程如图2所示 :

Positive mixing:

为了得到fake negative vi-的embedding e_v, 我们从负样本items中，选择m个组成候选集，因为对于L层的GNN来说，我们可以得到（L+1）个 embeddings来表示项目v&#