[SIGIR23]生成对比推荐论文Generative-Contrastive Graph Learning for Recommendation简介

论文名称：Generative-Contrastive Graph Learning for Recommendation

论文链接：https://le-wu.com/files/Publications/CONFERENCES/SIGIR-23-yang.pdf

Tips：本文需要一定的变分自编码器（VAE）和变分图自编码器（VGAE）的知识，可以先参阅以下论文：

https://arxiv.org/abs/1312.6114

https://arxiv.org/abs/1611.07308

Variational Autoencoders for Collaborative Filtering | Proceedings of the 2018 World Wide Web Conference

背景

        图对比学习（graph contrastive learning，GCL）技术已经在协同过滤任务中被广泛应用。GCL通过数据增强来构建不同的对比视图（view），随后通过最大化对比视图之间的互信息来提供自监督信号。

        尽管有效，但目前基于GCL的推荐系统仍然局限于数据增强技术（结构增强或特征增强）。具体来说，结构增强随机丢弃节点或者边，这很容易破坏用户-物品交互图的内在性质；特征增强为每个节点施加噪声，忽略了图中节点的特性。在真实世界的推荐系统中，不同的用户/物品具有不同的特征，数据增强应该针对这些情况进行个性化定制。

VGCL

        针对上述问题，作者提出了变分图生成-对比学习模型（Variational Graph Generative-Contrastive Learning，VGCL），其核心思想是利用变分推理思想近似输入数据点的高斯分布，并根据该分布重构所有输入数据。VGCL的模型图如下：

编码       

        在VGCL中，给定输入的用户