揭示对比学习在协同过滤中邻域聚合能力
信息检索
2025-04-15 v1
摘要
个性化推荐在网页应用中广泛应用，图对比学习(GCL)正逐渐成为推荐系统的主导方法，主要due于其能够从原始交互数据中提取自监督信号，有效缓解数据稀疏问题。经典的GCL-based方法通常在图卷积期间使用数据增强来生成更多对比视图，并对这些新视图进行对比，以获得丰富的自监督信号。尽管这种范式有效，但背后的原因仍是谜。本文首先通过理论推导揭示，CL目标函数的梯度下降过程在形式上等价于图卷积，这表明CL目标本身就支持交互图上的邻域聚合。我们进一步通过实验验证了这一能力，并识别出以往方法在正样本选择上的常见误解，这限制了CL目标的潜力。基于此发现，我们提出了Light Contrastive Collaborative Filtering(LightCCF)方法，引入新颖的邻域聚合目标，使用户更接近所有交互项目，同时远离其他正样本对，从而以极低的时间复杂度实现高质量的邻域聚合。在三个高度稀疏的公开数据集上，所提方法有效地聚合了邻域信息，同时防止了图平滑，显著优于现有GCL-based方法，在训练效率和推荐准确性方面均取得显著提升。我们的实现已公开获取。
引用
@article{arxiv.2504.10113,
title = {Unveiling Contrastive Learning's Capability of Neighborhood Aggregation for Collaborative Filtering},
author = {Yu Zhang and Yiwen Zhang and Yi Zhang and Lei Sang and Yun Yang},
journal= {arXiv preprint arXiv:2504.10113},
year = {2025}
}
备注
Accepted by SIGIR2025