通过对齐与均匀性进行原型对比学习以用于推荐
信息检索
2024-10-30 v1 人工智能
摘要
图协同过滤（GCF）是最广泛采用的推荐系统方法之一，能有效捕捉用户与物品交互之间的复杂关系。基于图对比学习（GCL）的 GCF 备受关注，因为它利用自监督技术从现实场景中提取有价值的信号。然而，许多方法通常学习涉及通过随机采样构建对比对的判别任务实例。GCL 方法受限于采样偏差问题，即负样本可能具有与正样本相似的语义结构，从而导致有效特征表示的丢失。为解决这些问题，我们提出了用于推荐的通过对齐（Alignment）与均匀性（Uniformity）进行的原型（Prototype）对比学习，称为 ProtoAU。具体而言，我们首先提出原型（聚类中心）作为潜在空间，以确保来自原始图的不同增强之间的一致性，旨在消除对随机采样对比对的需求。此外，由于缺乏显式负样本，直接优化实例与原型之间的一致性损失很容易导致维度坍缩问题。因此，我们提出将用户和物品原型的对齐与保持均匀性作为优化目标，以防止陷入平凡解。最后，我们在四个数据集上进行了大量实验，并评估了它们在链接预测任务上的性能。实验结果表明，所提出的 ProtoAU 优于其他代表性方法。我们提出的 ProtoAU 的源代码可在 \url{https://github.com/oceanlvr/ProtoAU} 获取。
引用
@article{arxiv.2402.02079,
title = {Prototypical Contrastive Learning through Alignment and Uniformity for Recommendation},
author = {Yangxun Ou and Lei Chen and Fenglin Pan and Yupeng Wu},
journal= {arXiv preprint arXiv:2402.02079},
year = {2024}
}