面向推荐系统的对称图对比学习以应对噪声视图

图对比学习（GCL）利用数据增强技术生成对比视图，通过学习对比视图之间的一致性来提升推荐系统的准确性。然而，现有的增强方法（如直接扰动交互图，例如节点/边丢弃）可能干扰原始连接并生成较差的对比视图，从而导致次优性能。在本文中，我们将与原始图仅共享少量信息的视图（即与原始视图余弦相似度小于 0.1 的最后 20% 的视图）定义为噪声视图。我们通过详细的实验证明噪声视图会显著降低推荐性能。进一步地，我们提出了一种模型无关的对称图对比学习（SGCL）方法，并提供了理论保证。具体而言，我们将对称理论引入图对比学习，在此基础上提出了一种对噪声干扰具有鲁棒性的对称形式和对比损失。我们提供了理论证明，表明所提出的 SGCL 方法对噪声视图具有高容忍度。此外，通过在三个真实数据集上进行广泛实验进一步验证。实验结果表明，我们的方法显著提升了推荐准确率，相比九种其他竞争模型相对提升最高达 12.25%。这些结果凸显了我们方法的有效性。