SGCCL：Siamese Graph Contrastive Consensus Learning for Personalized Recommendation

SGCCL：Siamese Graph Contrastive Consensus Learning for Personalized Recommendation

解决的问题

现有的推荐对比学习方法主要通过对用户-项目二分图进行增广来实现，但是这样的对比学习过程容易偏向于流行项目和用户，因为较高度的用户、项目受到更多的扩充并且它们的相关性也更多地被捕捉。所以本文提出了一个基于连体图对比一致学习的个性化推荐方法，以挖掘个性化推荐的内在关联性，缓解个性化推荐中的偏差效应为目的。
SGCCL在整体推荐和去偏推荐方面都有较好的表现，从而得到了一个均衡的推荐结果。

SGCCL模型与结果

它直接引入用户-用户相似性和项目-项目相关性的同构图，而不是对原有用户-项目网络进行扩充。同时采用对比一致性优化过程学习用户-项目评分、用户相似度和项目相似度的有效特征。最后，我们使用自监督学习结合连体的用户图、项目图，以确保不受欢迎的用户和项目都在嵌入空间中被很好的保存。
**事实上，RS的一个突出问题就是受欢迎度偏差，也就是流行偏差。下图说明，项目具有长尾分布的特点，用户会有一些例外，但在整体上还是具有长尾特性。**图中左侧是二分图，中间是构造的连体图，最右侧是ml-100k的流行偏差。

已知R是监护矩阵，将R进行NMF非负的因子分解，得到两个压缩的矩阵G,F，只要让二者之间的平方误差最小即可：