你的图基推荐器实质是一个单视图图对比学习
机器学习
2024-07-26 v1
摘要
图基推荐器 (GR) 是一种针对从用户-项目交互图中提取信息的图神经网络 (GNN) 编码器。由于其在推荐任务上的卓越性能，GR 近年来受到广泛关注。图对比学习 (GCL) 也是流行的研究方向，旨在学习通常是无监督的 GNN，以特定对比目标为导向。作为通用的图表示学习方法，GCL 被广泛用于监督推荐损失，以联合训练 GR。尽管 GR 和 GCL 研究之间存在交集，但两者关系的理论理解仍显稀缺。这导致科学研究效率低下。本文旨在从编码器和损失函数的角度弥合 GR 和 GCL 领域之间的鸿沟。在轻度假设下，我们理论证明了图基推荐器等价于常用单视图图对比模型。具体地，我们发现 (1) GR 中的经典编码器本质上是一个带有 one-hot 输入的线性图卷积网络，且 (2) GR 中的损失函数可被具有特定超参数的单视图 GCL 损失有界。第一个发现使我们能够解释 GR 模型的关键设计，例如删除自环和非线性。第二个发现可以轻易引导许多跨领域的研究方向。我们实证表明，推荐损失和 GCL 损失可以互换使用。仅使用 GCL 损失训练 GR 模型这一事实尤为具有启发性，因为在此之前，GCL 通常被视为需要微调的无监督方法。我们还讨论了由此引发的一些潜在未来工作。
引用
@article{arxiv.2407.17723,
title = {Your Graph Recommender is Provably a Single-view Graph Contrastive Learning},
author = {Wenjie Yang and Shengzhong Zhang and Jiaxing Guo and Zengfeng Huang},
journal= {arXiv preprint arXiv:2407.17723},
year = {2024}
}