SimGCL:Are Graph Augmentations Necessary? Simple Graph Contrastive Learning for Recommendation

Are Graph Augmentations Necessary? Simple Graph Contrastive Learning for Recommendation

解决问题

首先,通过实验揭示了基于CL的推荐中,CL通过学习更均匀的用户项目表示可以隐式的减轻受欢迎程度的偏差(减轻了项目的长尾状况)。增强图有必要,但是发挥了比较小的作用。所以放弃了图增强,而是添加均匀的噪声来构造嵌入空间成为对比视图。

SimGCL模型与结果

在这里插入图片描述
实验验证得到,在CL中,起决定性因素的是InfoNCE损失,而不是增强视图。
构建了一个没有图增强的变体,叫做SGL-WA,那么它的CL损失就是:在这里插入图片描述
其中的实验结果是:在这里插入图片描述
根据这个结果我们可以分析得出ND和RW可能会丢弃关键节点和相关边,从而严重扭曲原始图;而ED比WA的效果有不显著的提升,这也说明了增强图确实有一定的效果。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值