面向协同过滤的邻域增强监督对比学习
信息检索
2024-02-20 v1 人工智能
摘要
尽管协同过滤 (CF) 技术在推荐任务中行之有效，但仍面临数据稀疏性的挑战。研究人员开始利用对比学习引入额外的自监督信号以解决这一问题。然而，这种方法往往无意中拉远了目标用户/物品与其协同邻居之间的距离，从而限制了其有效性。为此，我们提出了一种解决方案，即在最终的目标损失函数中将锚点节点的协同邻居视为正样本。本文重点开发了两种独特的监督对比损失函数，有效地结合了监督信号与对比损失。我们通过梯度视角分析了所提出的损失函数，表明不同的正样本会同时影响锚点节点嵌入的更新，且这些样本的影响取决于它们与锚点节点及负样本的相似度。我们以基于图的协同过滤模型为骨干，并遵循现有对比学习模型 SGL 相同的数据增强方法，有效提升了推荐模型的性能。我们提出的邻域增强监督对比损失 (NESCL) 模型用新颖的损失函数替换了 SGL 中的对比损失函数，显示出显著的性能提升。在 Yelp2018、Gowalla 和 Amazon-Book 三个真实世界数据集上，我们的模型在 NDCG@20 指标上分别比原始 SGL 高出 10.09%、7.09% 和 35.36%。
引用
@article{arxiv.2402.11523,
title = {Neighborhood-Enhanced Supervised Contrastive Learning for Collaborative Filtering},
author = {Peijie Sun and Le Wu and Kun Zhang and Xiangzhi Chen and Meng Wang},
journal= {arXiv preprint arXiv:2402.11523},
year = {2024}
}