面向社交推荐的双域协同去噪

社交推荐利用社交网络补充用户-物品交互数据以用于推荐任务，旨在缓解推荐系统中的数据稀疏问题。然而，现有的社交推荐方法面临以下挑战：社交网络和交互数据均包含大量噪声，这些噪声通过图神经网络（GNN）的传播不仅无法提升推荐性能，还可能干扰模型的正常训练。尽管对社交网络和交互数据进行去噪非常重要，但仅有少数研究考虑了对社交网络的去噪，且所有这些研究都忽略了对交互数据的去噪，这阻碍了去噪效果和推荐性能。基于此，我们提出了一种名为面向社交推荐的双域协同去噪（$\textbf{DCDSR}$）的新模型。DCDSR 包含两个主要模块：结构级协同去噪模块和嵌入空间协同去噪模块。在结构级协同去噪模块中，首先利用交互域的信息指导社交网络去噪。随后，去噪后的社交网络被用于监督交互数据的去噪。嵌入空间协同去噪模块致力于通过具有双域嵌入协同扰动的对比学习来抵抗噪声跨域扩散问题。此外，引入了一种名为 Anchor-InfoNCE 的新型对比学习策略，以更好地发挥对比学习的去噪能力。在三个真实世界数据集上对我们的模型进行评估，验证了 DCDSR 具有显著的去噪效果，从而优于 SOTA 社交推荐方法。