SGL：Self-supervised Graph Learning for Recommendation

Self-supervised Graph Learning for Recommendation

解决的问题

1.考虑到了长尾项目的影响，提高了抗干扰能力；（因为在交互图中，对于一个项目，与之交互的用户越多，那么这个项目的度就越大，那么高度节点对表示的影响与低度节点相比，显然是更大的，在实际中，往往有一小部分项目，与之交互的用户数量比较多，另外很大一部分的项目，与之交互的用户数量较少，我们称为项目的长尾分布）
2.考虑到表示容易受到噪声的影响，提高了以GCN为基础的推荐准确性和鲁棒性。（因为邻域聚合方案进一步扩大了观察到的边的影响）
稀疏的监督信号；倾斜的数据分布（相互作用呈幂律分布。其中长尾由缺乏监督信号的低度项目组成，GCN很容易偏向于高度项目）；交互中的噪声（用户提供的反馈大多是隐式的，如点击和查看，而不是显式的，如评级和喜欢/不喜欢，所以GCN中的邻域聚集机制扩大了交互对表征学习的影响，使表征学习更容易受到交互中的噪声的影响）。

SGL模型与结果

设计了三个操作符来生成视图：节点丢弃、边丢弃、随机行走。并在LightGCN上实现。
模型框架图为：