利用邻域 enriched 对比学习改进图协同过滤

近来，图协同过滤方法作为一种有效的推荐方法被提出，其可通过对用户-物品交互图建模来捕捉用户针对物品的偏好。为减轻数据稀疏性的影响，图协同过滤中采用了对比学习以提升性能。然而，这些方法通常通过随机采样构造对比对，忽视了用户（或物品）之间的邻域关系，未能充分挖掘对比学习在推荐中的潜力。为解决上述问题，我们提出一种新颖的对比学习方法，称为邻域 enriched 对比学习（Neighborhood-enriched Contrastive Learning，NCL），其显式地将潜在邻居纳入对比对。具体而言，我们分别从图结构与语义空间中引入用户（或物品）的邻居。对于交互图上的结构邻居，我们提出了一种新颖的结构-对比目标，将用户（或物品）与其结构邻居视为正对比对。在实现中，用户（或物品）与邻居的表示对应于不同 GNN 层的输出。此外，为挖掘语义空间中的潜在邻居关系，我们假设具有相似表示的用户处于语义邻域内，并将这些语义邻居纳入原型-对比目标。所提 NCL 可用 EM 算法优化，并可推广应用于图协同过滤方法。在五个公开数据集上的大量实验证明了 NCL 的有效性，尤其在 Yelp 和 Amazon-book 数据集上相较一个具有竞争力的图协同过滤基模型分别取得 26% 和 17% 的性能提升。我们的代码见：https://github.com/RUCAIBox/NCL。