双通道潜在因子分析增强的图对比学习推荐方法
机器学习
2024-08-12 v1 信息检索
摘要
图神经网络（GNNs）因其处理复杂用户-物品交互的鲁棒性而成为推荐系统的强大学习方法。最近，将对比学习与GNNs相结合在推荐系统中展现出显著性能，以应对高度稀疏的用户-物品交互数据问题。然而，一些现有的图对比学习（GCL）技术采用随机增强，即在用户-物品二部图上随机扰动节点或边以构建对比视图。这种随机增强策略不仅引入噪声扰动，而且无法有效利用全局协同信号。为解决这一问题，本研究提出了一种潜在因子分析（LFA）增强的GCL方法，命名为LFA-GCL。我们的模型仅通过LFA实现无约束的结构精炼，从而在不引入噪声信号的情况下准确地获得增强的全局协同图。在四个公开数据集上的实验表明，所提出的LFA-GCL优于最先进模型。
引用
@article{arxiv.2408.04838,
title = {Dual-Channel Latent Factor Analysis Enhanced Graph Contrastive Learning for Recommendation},
author = {Junfeng Long and Hao Wu},
journal= {arXiv preprint arXiv:2408.04838},
year = {2024}
}