超图对比协同过滤
信息检索
2022-04-29 v2 人工智能
摘要
协同过滤(CF)已发展成为将用户和物品参数化至潜在表示空间的基本范式，利用交互数据中的相关模式。在各种CF技术中，基于GNN的推荐系统（如PinSage和LightGCN）的发展提供了最先进的性能。然而，现有方案尚未很好探索两个关键挑战：i) 更深基于图的CF架构的过平滑效应，可能导致用户表示不可区分并致使推荐结果退化。ii) 监督信号（即用户-物品交互）在现实中通常稀缺且偏斜分布，限制了CF范式的表示能力。为应对这些挑战，我们提出一种新的自监督推荐框架超图对比协同过滤(HCCF)，以超图增强的跨视图对比学习架构联合捕捉局部与全局协同关系。特别地，所设计的超图结构学习增强了基于GNN的CF范式的判别能力，从而全面捕捉用户间复杂的高阶依赖。此外，我们的HCCF模型基于超图增强的自判别，有效将超图结构编码与自监督学习整合，以强化推荐系统的表示质量。在三个基准数据集上的大量实验证明了我们的模型相对于各种最先进推荐方法的优越性，以及对稀疏用户交互数据的鲁棒性。我们的模型实现代码可见于 https://github.com/akaxlh/HCCF。
引用
@article{arxiv.2204.12200,
title = {Hypergraph Contrastive Collaborative Filtering},
author = {Lianghao Xia and Chao Huang and Yong Xu and Jiashu Zhao and Dawei Yin and Jimmy Xiangji Huang},
journal= {arXiv preprint arXiv:2204.12200},
year = {2022}
}
备注
This paper has been published as a full paper at SIGIR 2022