面向推荐的自监督图学习
信息检索
2021-06-21 v4 机器学习
摘要
在用户-物品图上进行表征学习以用于推荐,已从使用单一 ID 或交互历史演进到利用高阶邻居。这催生了图卷积网络(GCNs)在推荐中的成功应用,如 PinSage 和 LightGCN。尽管有效,我们认为它们存在两个局限:(1) 高度数节点对表征学习施加更大影响,恶化了低度数(长尾)物品的推荐;(2) 表征易受噪声交互影响,因为邻域聚合方案进一步放大了观测边的影响。在本工作中,我们探索用户-物品图上的自监督学习,以提升 GCNs 用于推荐的准确率和鲁棒性。其思路是以辅助的自监督任务补充经典的推荐监督任务,通过自判别强化节点表征学习。具体而言,我们生成节点的多个视图,最大化同一节点不同视图之间相对于其他节点的共识。我们设计了三种生成视图的算子——节点丢弃、边丢弃和随机游走——以不同方式改变图结构。我们将这一新学习范式称为自监督图学习(Self-supervised Graph Learning, SGL),并将其实现于最先进模型 LightGCN 上。通过理论分析,我们发现 SGL 具有自动挖掘难负样本的能力。在三个基准数据集上的实证研究表明 SGL 的有效性,其提升了推荐准确率(尤其在长尾物品上)以及对抗交互噪声的鲁棒性。我们的实现见 \url{https://github.com/wujcan/SGL}。
引用
@article{arxiv.2010.10783,
title = {Self-supervised Graph Learning for Recommendation},
author = {Jiancan Wu and Xiang Wang and Fuli Feng and Xiangnan He and Liang Chen and Jianxun Lian and Xing Xie},
journal= {arXiv preprint arXiv:2010.10783},
year = {2021}
}
备注
11 pages, 7 figures, 5 tables. Accepted by SIGIR 2021