基于异构邻域增强的图对比学习在推荐系统中的应用

《IEEE Transactions on Computational Social Systems》：Heterogeneous Neighborhood-Enhanced Graph Contrastive Learning for Recommendation

异构图自监督推荐模型HNGCL通过跨视图对齐和邻域增强策略解决噪声与表征偏差问题，显著提升推荐效果。

　　

摘要：

异构自监督图学习在推荐系统中受到了广泛关注，因为它能够捕捉现实世界数据中的多种语义和结构关系。对比学习通过最大化正样本对之间的相似性并区分不同视图中的负样本对来增强表示学习。然而，仍存在两个关键挑战：1）噪声（如假阴性）会降低表示质量；2）缺乏跨视图对齐会导致表示结果存在偏差和不一致性。为了解决这些问题，我们提出了异构邻域增强图对比学习（HNGCL）方法。HNGCL通过对齐和一致性损失来确保跨视图的一致性，从而生成既对齐良好又在各个视图之间均匀分布的嵌入向量，进而提升模型的泛化能力和区分能力。为了减少噪声，HNGCL引入了一种邻域增强策略，该策略整合了协同邻居以生成高质量的正样本对，减少了假阴性的出现并抑制了噪声的传播。通过利用异构图结构和跨视图对比学习，HNGCL能够有效捕捉复杂的语义和结构模式，生成稳健的特征表示。在真实世界数据集上的大量实验表明，HNGCL在召回率和标准化折扣累积增益（NDCG）方面显著优于现有方法，证明了其在克服这些挑战并提升推荐性能方面的有效性。我们的模型实现代码可访问地址为：https://github.com/zhangchi107/HNGCL。

引言

推荐系统在将用户与各种信息、产品和服务连接起来方面发挥着关键作用，尤其是在电子商务和社交媒体等领域[1]、[2]。在各种推荐方法中，协同过滤（CF）[3]长期以来一直是个性化推荐任务的核心[4]、[5]。然而，传统的CF方法主要依赖于浅层、单跳的用户-物品交互[6]，这使得它们容易受到冷启动问题[7]和数据稀疏性[8]等常见问题的影响。为了解决这些限制，最近的研究将图神经网络（GNNs）引入到推荐系统中，有效利用基于图的结构信息来挖掘用户和物品之间的高阶关联[9]。尽管基于GNN的方法在推荐质量上取得了显著提升，但它们仍然主要处理同构的用户-物品二分图，这限制了它们捕捉现实世界数据集中丰富异构信息的能力。