[WWW23]图对比推荐论文Automated Self-Supervised Learning for Recommendation简介

 论文链接：

背景

        图神经网络（GNN）已经成为协同过滤（CF）的最先进范式。为了从有限标签数据中获得高质量的嵌入表示，对比学习（CL）在推荐任务中开始收到关注。然而，大多数基于对比学习的方法的成功在很大程度上取决于手动生成的对比视图（view），这种数据增强策略很难在不同的数据集和下游推荐任务中推广。准确生成用于对比学习的视图非常具有挑战性，并且手动执行数据增强会不可避免地涉及噪声和无关信息。

        从图结构级别和局部-全局增强的角度来看，通过随机节点/边丢弃操作得到的视图可以会导致：（1）丢弃重要的结构信息；（2）保留噪声数据。

        考虑到目前基于对比学习的推荐系统的有限性，作者认为有必要设计一个统一的基于自监督学习（SSL）的推荐框架，其不仅可以提取自监督信号进行有效的数据增强，还可以减轻人工生成自监督信号或定义增强策略的工作量。

方法AutoCF

        为了解决上述问题，作者提出了自适应掩码图自编码器（adaptive masked graph autoencoder, AutoCF）,如下图所示：

 自动图增强

        为了在基于图结构的交互数据上自适应地提