面向推荐的长尾增强图对比学习
信息检索
2023-09-21 v1 人工智能
社会与信息网络
摘要
图卷积网络（GCNs）在推荐系统中已展现出有前景的结果，因为它们能有效利用高阶关系。然而，这些方法在真实场景中通常遇到数据稀疏问题。为解决此问题，基于 GCN 的推荐方法采用对比学习来引入自监督信号。尽管有效，这些方法缺乏对因头节点与尾节点间显著度差异的考量。这可能导致表示分布不均匀，而这是对比学习方法性能的关键因素。为应对上述问题，我们提出一种新颖的面向推荐的长尾增强图对比学习（LAGCL）方法。具体而言，我们引入可学习的长尾增强方法，通过补充预测的邻居信息来增强尾节点，并基于所得增强图生成对比视图。为使数据增强方案可学习，我们设计了一个自动丢弃模块从头节点生成伪尾节点，以及一个知识迁移模块从伪尾节点重建头节点。此外，我们采用生成对抗网络来确保生成的尾/头节点分布与原始尾/头节点分布相匹配。在三个基准数据集上进行的广泛实验表明，我们的模型相较最先进方法在性能上有显著提升。进一步分析证明了所学表示的均匀性以及 LAGCL 在长尾性能上的优越性。代码公开于 https://github.com/im0qianqian/LAGCL
引用
@article{arxiv.2309.11177,
title = {Long-tail Augmented Graph Contrastive Learning for Recommendation},
author = {Qian Zhao and Zhengwei Wu and Zhiqiang Zhang and Jun Zhou},
journal= {arXiv preprint arXiv:2309.11177},
year = {2023}
}
备注
17 pages, 6 figures, accepted by ECML/PKDD 2023 (European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases)