面向推荐的监督对比学习
信息检索
2022-04-20 v2 人工智能
摘要
在本工作中,我们旨在充分考虑对比学习在推荐系统场景中的应用,使其更适配推荐任务。我们提出一种称为监督对比学习(SCL)的学习范式以支持图卷积神经网络。具体而言,我们将在数据预处理阶段分别计算用户侧与物品侧不同节点间的相似度,然后在应用对比学习时,不仅将增广视图视为正样本,还将一定数量的相似样本视为正样本,这与 SimCLR 将批次中其他样本视为负样本不同。我们将 SCL 应用于最先进的 LightGCN。此外,为考虑节点交互的不确定性,我们还提出一种称为节点复制的新数据增广方法。在 Gowalla、Yelp2018、Amazon-Book 数据集上的实证研究与消融实验证明了 SCL 与节点复制的有效性,其提升了推荐准确率及对交互噪声的鲁棒性。
引用
@article{arxiv.2201.03144,
title = {Supervised Contrastive Learning for Recommendation},
author = {Chun Yang},
journal= {arXiv preprint arXiv:2201.03144},
year = {2022}
}