基于意图引导的异构图对比学习推荐
信息检索
2024-07-30 v2
摘要
基于异构图（HG）的对比学习（CL）推荐系统因其增强不同视图表示一致性而日益受到关注。然而，现有框架往往忽视用户-项目在 HG 中的相互作用是由多样潜在意图（如品牌偏好或物品受众的人口统计特征）所主导，这在捕捉细粒度关系方面至关重要。通过 HG 中的元路径探索这些潜在意图，面临两个主要挑战：i）如何将 CL 与意图集成；ii）如何减轻由元路径驱动的意图引入的噪声。为此，我们提出一种创新框架，称为意图引导的异构图对比学习（IHGCL），旨在通过捕捉元路径中包含的意图来增强 CL 基于推荐。具体而言，IHGCL 框架包括：i）基于元路径的双重对比学习（DCL）方法，有效将意图整合到推荐中，构建意图-意图对比和意图-相互作用对比；ii）受限自编码器（BAE），结合掩码传播和信息瓶颈原理，显著减少由元路径引入的噪声扰动。在六个不同数据集上的实验评估表明，我们的 IHGCL 框架在性能上优于常规基线方法。我们的模型实现已公开于 https://github.com/wangyu0627/IHGCL。
引用
@article{arxiv.2407.17234,
title = {Intent-guided Heterogeneous Graph Contrastive Learning for Recommendation},
author = {Lei Sang and Yu Wang and Yi Zhang and Yiwen Zhang and Xindong Wu},
journal= {arXiv preprint arXiv:2407.17234},
year = {2024}
}
备注
14pages, 11figures