[ICLR23]图对比推荐论文LightGCL: Simple Yet Effective Graph Contrastive Learning for Recommendation简介

LightGCL: Simple Yet Effective Graph Contrastive Learning for Recommendation

论文链接：https://arxiv.org/abs/2302.08191

  动机/背景     

       图神经网络（graph neural network，GNN）与对比学习（contrastive learning，CL）相结合的推荐系统在近期展现出优异的性能。而现有的大多数图对比方法依赖于对用户-物品交互图的随机扰动，或者需要基于启发式的扩充技术（例如聚类）来生成对比视图。尽管它们有效，但存在一些固有的局限性：

        （1）基于随机扰动的图数据增强可能会丢失有用的结构信息，从而误导下游的表示学习。

        （2）基于启发式策略的对比策略很大程度上依赖于视图的生成，这限制了模型的通用性，并且容易收到噪声的影响。

        （3）目前大多数基于GNN的推荐方法容易受到过平滑（over-smoothing）问题的影响，这使得无法区分节点的嵌入表示。

方法

        基于以上问题，作者提出一种简单有效的图对比推荐方法LightGCL，如下图所示：

         在LightGCL中，图增强通过奇异值分解（SVD）实现，这不仅可以提取用户-物品交互中的有用信息，并且可以将其应用于对比学习过程中。

局部图依赖性建模

        为了建模用户与物品，作者采取两层图卷积网络（GCN）来聚合每个节点的邻居信息，第