KACL：Knowledge-Adaptive Contrastive Learning for Recommendation

Knowledge-Adaptive Contrastive Learning for Recommendation

解决的问题

近年来，GNN因为具有较强的高阶结构信息捕获能力而被广泛应用于基于知识图的推荐。但是我们认为有以下两个局限性：1.交互支配：用户-项目交互的监督信号将主导模型训练，因此KG信息几乎没有被编码到学习项目表示钟；2.知识过载：KG包含大量与推荐无关的信息，并且在GNN的聚合过程中，噪声会被放大。于是提出了一种新的知识自适应对比学习算法KACL。
这两个限制可以用下图来表示：

KACL与结果

首先分别从交互图和KG图生成增强视图，并在这两个视图之间执行CL，这可以缓解交互支配。引入两个可学习的视图生成器，以自适应地去除数据扩充过程中与任务无关的边，并帮助容忍知识过载带来的噪声。
其中，交互图是一个二分图；知识图由三元组构成，描述了从头实体到尾项目的关系，用I和R表示知识图中的视体和关系的集合。给定交互图Gb和知识图Gk，我们的目标是学习一个噶不是故意，预测用户与项目交互的概率。
模型框架如下图所示：
以GAT为基础GNN架构建立模型，首先描述GAT的单层：由邻域聚合和表示更新组成，于是一个节点i的邻域节点中j的表示的线性组合为：