挤压与激励：用于协同过滤的加权图对比学习

对比学习最近已成为推荐系统中的一项强大技术，特别是因为它能够利用来自扰动视图的自监督信号来缓解数据稀疏这一持续挑战。在用户-物品二分图上构建扰动视图并在图卷积网络中对扰动视图进行对比学习的过程称为图对比学习，旨在增强表示学习的鲁棒性。尽管现有的基于图对比学习的模型是有效的，但扰动视图的权重分配方法尚未得到充分探索。现有基于图对比学习的模型中的一个关键问题是特征注意力的不合理分配。这个问题限制了模型有效利用关键特征的能力，导致性能次优。为了解决这个问题，我们提出了一个加权图对比学习框架（WeightedGCL）。具体来说，WeightedGCL应用了一种鲁棒的扰动策略，仅扰动最终图卷积网络层的视图。此外，WeightedGCL引入了挤压与激励网络来动态加权扰动视图的特征。我们的WeightedGCL增强了模型对关键特征的关注，并减少了不相关信息的影响。在广泛使用的数据集上进行的大量实验表明，与竞争基线相比，我们的WeightedGCL实现了显著的精度提升。