RDGCL：用于推荐的反应-扩散图对比学习
信息检索
2024-08-23 v2 人工智能
机器学习
摘要
对比学习（CL）已成为改进推荐系统的一种有前景的技术，通过利用原始数据中的自监督信号来解决数据稀疏性的挑战。在推荐系统中，已经探索了将CL与基于图卷积网络（GCN）的协同过滤（CF）相结合。然而，当前的基于CL的推荐模型严重依赖低通滤波器和图增强。本文受反应-扩散方程的启发，提出了一种新的用于推荐系统的CL方法，称为反应-扩散图对比学习模型（RDGCL）。我们基于扩散方程（即低通滤波器）和反应方程（即高通滤波器）设计了用于CF的GCN。我们提出的基于CL的训练发生在反应和扩散的嵌入之间，因此不需要图增强。在5个基准数据集上的实验评估表明，我们提出的方法优于最先进的基于CL的推荐模型。通过提高推荐准确性和多样性，我们的方法推动了CL在推荐系统中的应用。
引用
@article{arxiv.2312.16563,
title = {RDGCL: Reaction-Diffusion Graph Contrastive Learning for Recommendation},
author = {Jeongwhan Choi and Hyowon Wi and Chaejeong Lee and Sung-Bae Cho and Dongha Lee and Noseong Park},
journal= {arXiv preprint arXiv:2312.16563},
year = {2024}
}
备注
Jeongwhan Choi and Hyowon Wi are co-first authors with equal contributions