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。