推荐系统的自监督学习：综述
信息检索
2023-06-05 v2
摘要
近年来，基于神经架构的推荐系统取得了巨大成功，但在处理高度稀疏数据时仍不及预期。自监督学习（SSL）作为一种从无标注数据中学习的新兴技术，作为该问题的潜在解决方案已引起相当关注。本综述论文对自监督推荐（SSR）的研究工作进行了系统且及时的回顾。具体地，我们提出 SSR 的专有定义，并基于此开发了一套全面分类法，将现有 SSR 方法划分为四类：对比式、生成式、预测式与混合式。对每一类，我们阐明其概念与形式化、所涉及的方法及其优缺点。此外，为便于实证比较，我们发布了一个开源库 SELFRec（https://github.com/Coder-Yu/SELFRec），其集成了广泛的 SSR 模型与基准数据集。通过使用该库进行严谨实验，我们得出并报告了关于选择自监督信号以增强推荐的一些重要发现。最后，我们揭示了当前研究的局限性并勾勒未来研究方向。
引用
@article{arxiv.2203.15876,
title = {Self-Supervised Learning for Recommender Systems: A Survey},
author = {Junliang Yu and Hongzhi Yin and Xin Xia and Tong Chen and Jundong Li and Zi Huang},
journal= {arXiv preprint arXiv:2203.15876},
year = {2023}
}
备注
20 pages. Accepted by TKDE