基于模体与超图卷积及对比学习的推荐系统

近来，利用不同通道建模社会语义信息，并使用自监督学习任务来提升推荐性能，已被证明是一项极具前景的工作。然而，如何深入挖掘不同通道之间的关系并充分利用，同时保持各通道的独特性，是该领域尚未得到充分研究与解决的问题。在此情形下，本文通过实际实验探讨并验证了直接在不同通道上构建对比学习任务的不足，并提出了跨通道交互建模与匹配表示的方案。这是推荐系统领域的首次尝试，我们相信本文的洞见对今后基于多通道信息的自监督学习研究具有启发意义。为解决该问题，我们提出了一种基于注意力交互的跨通道匹配表示模型，实现了对跨通道信息关系的高效建模。在此基础上，我们还提出了一种分层自监督学习模型，实现了通道内与通道间两个层级的自监督学习，提升了自监督任务自主挖掘不同层级潜在信息的能力。我们进行了充分的实验，多个公开数据集上的各项指标表明，无论是在通用还是冷启动场景下，本文方法相较最先进（SOTA）方法均有显著提升。在模型变体分析实验中，本文提出的跨通道匹配表示模型与分层自监督模型的益处也得到了充分验证。