RecDCL：用于推荐的双重对比学习
信息检索
2024-02-20 v2 计算与语言
摘要
自监督学习最近在挖掘用户-物品交互以进行协同过滤方面取得了巨大成功。作为主要范式，基于对比学习的自监督学习通过对比原始数据和增强数据之间的嵌入，有助于解决 Web 平台中的数据稀疏性问题。然而，现有的基于对比学习的方法大多侧重于以批次方式进行对比，未能利用特征维度的潜在规律性。这导致在用户和物品的表示学习过程中出现冗余解。在这项工作中，我们研究如何将批次级对比学习和特征级对比学习同时用于推荐。我们从理论上分析了批次级对比学习和特征级对比学习之间的关系，发现结合两者有助于消除冗余解且绝不遗漏最优解。我们提出了一个双重对比学习推荐框架——RecDCL。在 RecDCL 中，特征级对比学习目标旨在消除用户-物品正样本对上的冗余解，并使用多项式核优化用户和物品内部的均匀分布，以驱动表示正交；批次级对比学习目标用于在输出向量上生成对比嵌入，以增强表示的鲁棒性。在四个广泛使用的基准数据集和一个工业数据集上的大量实验表明，RecDCL 能够持续优于基于 GNN 和基于 SSL 的 SOTA 模型（在 Recall@20 方面提升高达 5.65\%）。源代码已公开可用。
引用
@article{arxiv.2401.15635,
title = {RecDCL: Dual Contrastive Learning for Recommendation},
author = {Dan Zhang and Yangliao Geng and Wenwen Gong and Zhongang Qi and Zhiyu Chen and Xing Tang and Ying Shan and Yuxiao Dong and Jie Tang},
journal= {arXiv preprint arXiv:2401.15635},
year = {2024}
}
备注
Accepted to WWW 2024