面向推荐的社会感知自监督三训练

自监督学习（SSL）可自动从原始数据生成真值样本，在改进推荐系统方面具有巨大潜力。大多数现有基于 SSL 的方法通过对原始数据图施加均匀的节点/边丢弃来生成新数据视图，然后在不同视图上开展基于自判别的对比学习以学习可泛化表示。在此方案下，仅在不同视图的节点间建立双射映射，意味着来自其他节点的自监督信号被忽视。鉴于推荐系统中广泛观察到的同质性，我们认为来自其他节点的监督信号也极有可能有益于推荐的表示学习。为捕获这些信号，本文提出一种集成三训练的通用社会感知 SSL 框架。技术上，我们的框架首先利用用户社交信息增强用户数据视图。然后在多视图编码的三训练机制下，框架基于增强视图构建三个图编码器（一个用于推荐），并利用另两个编码器生成的其他用户的自监督信号迭代改进各编码器。由于三训练在同一数据源的增强视图上运作以获取自监督信号，我们称之为自监督三训练。在多个真实数据集上的大量实验一致验证了自监督三训练框架对改进推荐的有效性。代码发布于 https://github.com/Coder-Yu/QRec。