Disentangled Contrastive Collaborative Filtering

Disentangled Contrastive Collaborative Filtering （Sigir 23）

代码： https://github.com/HKUDS/DCCF

摘要

最近的研究表明，图神经网络（GNN）普遍用于为协作过滤（CF）建模高阶关系。在这条研究路线上，图对比学习（GCL）通过学习增强的用户和项目表示，在解决监督标签短缺问题方面表现出了强大的性能。虽然它们中的许多显示了它们的有效性，但两个关键问题仍然未被探索：i）大多数现有的基于GCL的CF模型仍然受到忽略用户-项目交互行为通常由不同的潜在意图因素（例如，ii）他们引入的非自适应增强技术容易受到噪声信息的影响，这引起了对模型鲁棒性和引入误导性自我监督信号的风险的担忧。鉴于这些限制，我们提出了一个解纠缠对比协同过滤框架（DCCF），以实现自适应的方式与自我监督增强的意图解纠缠。通过学习具有全局上下文的解纠缠表示，我们的DCCF不仅能够从纠缠的自监督信号中提取更细粒度的潜在因素，而且还能够减轻增强引起的噪声。最后，引入了交叉视图对比学习任务，以使用我们的参数化交互掩模生成器实现自适应增强。

引言

推荐系统已经成为通过学习用户历史交互中的偏好，为用户推荐个性化物品的基础服务【3, 40】。近年来，图神经网络（Graph Neural Networks, GNNs）在协同过滤（Collaborative Filtering, CF）中建模用户-物品高阶交互方面取得了显著成功，例如 NGCF【32】、MCCF【35】、LightGCN【13】和 GCCF【7】等。这些基于 GNN 的 CF 模型通过迭代信息传递机制（message passing）对用户-物品二部图结构进行编码，从而实现协同信息的聚合【