推荐系统中用于图对比学习的对抗学习数据增强
信息检索
2023-02-07 v1 机器学习
社会与信息网络
摘要
近年来，图神经网络（GNN）在推荐系统中取得了显著成功。为了减少数据稀疏性的影响，基于GNN的协同过滤方法中采用了图对比学习（GCL）来提升性能。大多数GCL方法由数据增强和对比损失（例如InfoNCE）组成。GCL方法通过手工设计的图增强构建对比对，并最大化同一节点不同视图之间的一致性，这被称为InfoMax原则。然而，不恰当的数据增强会阻碍GCL的性能。InfoMin原则指出，好的视图集共享最少的信息，并为设计更好的数据增强提供了指导。在本文中，我们首先提出了一种新的数据增强方法（即边操作，包括边添加和边丢弃）。然后，在InfoMin原则的指导下，我们提出了一种新颖的理论指导对比学习框架，名为面向图对比学习的可学习数据增强（LDA-GCL）。我们的方法包括数据增强学习和图对比学习，它们分别遵循InfoMin和InfoMax原则。在实现中，我们的方法优化对抗损失函数来学习数据增强以及用户和物品的有效表示。在四个公开基准数据集上的大量实验证明了LDA-GCL的有效性。
引用
@article{arxiv.2302.02317,
title = {Adversarial Learning Data Augmentation for Graph Contrastive Learning in Recommendation},
author = {Junjie Huang and Qi Cao and Ruobing Xie and Shaoliang Zhang and Feng Xia and Huawei Shen and Xueqi Cheng},
journal= {arXiv preprint arXiv:2302.02317},
year = {2023}
}
备注
Accepted and to appear at DASFAA2023