【GCN-RS】Region or Global? A Principle for Negative Sampling in Graph-based Recommendation (TKDE‘22)

Region or Global? A Principle for Negative Sampling in Graph-based Recommendation (TKDE’22)

中间区域

在GCN-RS里，负采样应该选取距离user中间的区域，太近的区域一般是用户聚合的物品，太远的没什么信息量，距离不远不近的样本可以看作是信息量比较大的难样本。

定义距离user k阶的物品是中间区域 $R_{med}$，可以用逐层广度优先搜索得到$R_{med}$。

从中间区域$R_{med}$选择 M 个负样本形成负样本候选集$C_u$，然后从$C_u$中用两种策略得到难负样本。

作者声称中间区域 $R_{med}$ 远小于整个物品集，但我在数据集上统计仅仅是3-hop，绝大部分 $R_{med}$ 几乎包含了整个数据集：

策略一：正样本辅助

类似于MixUp技术，为了得到user的难负样本，不仅仅和user $u$有关，还和user的正样本 $v$ 有关，对于一对正样本 $(u,v)$，$C_u$中负样本$v_n^p$被采得概率为：
p n ( v n p ∣ ( u , v ) ) = σ ( α ( e u ∗ ⋅ e v n p ∗ ) + ( 1 − α ) ( e v ∗ ⋅ e v n p ∗ ) ) ∑ v i ∈ C u σ ( α ( e u ∗ ⋅ e v i ∗ ) + ( 1 − α ) ( e v ∗ ⋅ e v i ∗ ) ) p_{n}\left(v_{n}^{p} \mid(u, v)\right)=\frac{\sigma\left(\alpha\left(\mathbf{e}_{u}^{*} \cdot \mathbf{e}_{v_{n}^{p}}^{*}\right)+(1-\alpha)\left(\mathbf{e}_{v}^{*} \cdot \mathbf{e}_{v_{n}^{p}}^{*}\right)\right)}{\sum_{v_{i} \in \mathcal{C}_{u}} \sigma\left(\alpha\left(\mathbf{e}_{u}^