面向推荐的自动化自监督学习
信息检索
2023-03-22 v2
摘要
图神经网络（GNNs）已成为协同过滤（CF）的最先进范式。为在有限标注数据上提升表示质量，对比学习近期在推荐领域受到关注，并惠及基于图的 CF 模型。然而，大多数对比方法的成功严重依赖于为基于启发式的数据增强手动生成有效的对比视图。这无法在不同数据集与下游推荐任务间泛化，难以自适应地进行数据增强并对噪声扰动具有鲁棒性。为填补这一关键空白，本文提出统一的自动化协同过滤（AutoCF）以自动执行推荐的数据增强。具体而言，我们聚焦于生成式自监督学习框架，其具备可学习的增强范式，有益于重要自监督信号的自动化提取。为增强表示判别能力，我们设计的掩码图自编码器通过在增强过程中重构被掩码的子图结构来聚合全局信息。我们在多个公开数据集上进行了实验与消融研究，用于推荐商品、场所和地点。结果证明了 AutoCF 相对于各类基线方法的优越性。我们在 https://github.com/HKUDS/AutoCF 发布了模型实现。
引用
@article{arxiv.2303.07797,
title = {Automated Self-Supervised Learning for Recommendation},
author = {Lianghao Xia and Chao Huang and Chunzhen Huang and Kangyi Lin and Tao Yu and Ben Kao},
journal= {arXiv preprint arXiv:2303.07797},
year = {2023}
}
备注
Accepted by ACM The Web Conference, 2023