预测与对比：面向推荐的双重辅助学习
信息检索
2022-07-26 v2
摘要
自监督学习（SSL）近期在推荐系统中取得了卓越成功。通过设立辅助任务（预测式或对比式），SSL 能够从原始数据中发现无需人工标注的监督信号，极大缓解了用户-物品交互稀疏的问题。然而，大多数基于 SSL 的推荐模型依赖于通用辅助任务，例如最大化从原始与扰动交互图学到的节点表示之间的对应，这些任务与推荐任务显式无关。因此，蕴含于基于推荐数据的异质图中的社交关系与物品类别所反映的丰富语义未被充分利用。为探索推荐专用的辅助任务，我们首先定量分析了异质交互数据，发现交互与由元路径诱导的用户-物品路径数量之间存在强正相关。基于该发现，我们设计了两个与目标任务紧密耦合的辅助任务（一个为预测式，另一个为对比式），以将推荐与隐藏于该正相关中的自监督信号相连接。最后，我们开发了模型无关的双重辅助学习（DUAL）框架，统一了 SSL 与推荐任务。在三个真实世界数据集上的大量实验表明，DUAL 能显著改善推荐，达到最先进性能。
引用
@article{arxiv.2203.03982,
title = {Predictive and Contrastive: Dual-Auxiliary Learning for Recommendation},
author = {Yinghui Tao and Min Gao and Junliang Yu and Zongwei Wang and Qingyu Xiong and Xu Wang},
journal= {arXiv preprint arXiv:2203.03982},
year = {2022}
}