[KDD24]图对比推荐论文Unifying Graph Convolution and Contrastive Learning in Collaborative Filtering简介

Unifying Graph Convolution and Contrastive Learning in Collaborative Filtering

论文链接：https://arxiv.org/abs/2406.13996

代码链接：GitHub - wu1hong/SCCF: [KDD'24] Unifying Graph Convolution and Contrastive Learning in Collaborative Filtering

简介

基于图（Graph）的模型以及对比学习（contrastive learning，CL）对协同过滤产生了巨大的促进效应。虽然现有的协同过滤工作将这些方法融入了模型设计，但似乎对于它们的基本规则缺乏有深度的研究。因此，本文旨在通过一个理论框架将图卷积（基于图的方法的核心操作）与对比学习建立联系。作者发现对比损失具有捕获高阶连通性的能力。基于此，作者进一步展示出在图方法中的的图卷积层对于建立高阶连通性并不是至关重要的，而且可能会导致过平滑。基于这些发现，作者提出了简化的对比协同过滤 Simple Contrastive Collaborative Filtering (SCCF)。

联合图卷积和对比学习

对比损失定义

在对比学习中，给定锚节点（anchor），定义正样本和负样本至关重要。在协同过滤中，用户的正样本通常是用户交互过的物品，而没有交互历史的物品被视为负样本。在协同过滤中最广泛使用的对比损失是Sampled SoftMax (SSM) ：

 其中D是交互集合，u和i分别代表用户和物品，是用户u的嵌入表示。为了更加直观的分析，作者提出一个可替换的损失函数，其直接从可观测数据中最大化联合分布的最大似然：

在上式中，对于正样本对(u, i)， 考虑在