用于隐式协同过滤的自监督对比学习
信息检索
2024-03-13 v1
摘要
基于对比学习的推荐算法显著推动了自监督推荐领域的发展，特别是以 BPR 为代表的排名预测任务主导了隐式协同过滤。然而，推荐系统中存在的假阳性和假阴性样本阻碍了准确的偏好学习。在本研究中，我们提出了一种简单的自监督对比学习框架，利用正特征增强和负标签增强来改进自监督信号。理论分析表明，我们的学习方法等价于最大化带有代表用户兴趣中心潜变量的似然估计。此外，我们建立了一种高效的负标签增强技术，该技术以与相对排名位置线性相关的概率对未标记样本进行采样，从而实现了常数时间复杂度的高效增强。通过在多个数据集上的验证，我们展示了我们的方法在保持相当运行时间的同时，相较于广泛使用的 BPR 优化目标取得了显著改进。
引用
@article{arxiv.2403.07265,
title = {Self-supervised Contrastive Learning for Implicit Collaborative Filtering},
author = {Shipeng Song and Bin Liu and Fei Teng and Tianrui Li},
journal= {arXiv preprint arXiv:2403.07265},
year = {2024}
}
备注
3 figures