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

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：
其中的实验结果是：
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。