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: