Intent-aware Recommendation via Disentangled Graph Contrastive Learning

Intent-aware Recommendation via Disentangled Graph Contrastive Learning

摘要

基于图神经网络（Graph Neural Network, GNN）的推荐系统因其从用户行为数据中强大的学习能力，已成为主流趋势之一。然而，理解用户从行为数据中体现的意图是推荐系统的关键，这对基于 GNN 的推荐系统提出了两个基本要求：

如何学习复杂且多样的意图，尤其是在现实中用户行为数据通常不足的情况下。

1. 不同的行为具有不同的意图分布，如何建立它们之间的关系以构建一个更具解释性的推荐系统。
2. 为此，本文提出了基于解耦图对比学习的意图感知推荐方法（Intent-aware Recommendation via Disentangled Graph Contrastive Learning, IDCL），该方法能够同时学习可解释的意图以及这些意图下的行为分布。

具体而言，我们首先将用户行为数据建模为一个用户-物品-概念图（user-item-concept graph），并设计了一个基于 GNN 的行为解耦模块来学习不同的意图。接着，我们提出了基于意图的对比学习方法，既能增强意图的解耦效果，又能推断行为分布。最后，引入编码率减少正则化（coding rate reduction regularization），使得不同意图的行为相互正交。

引言