a13683857889的博客

基于用户-物品图的推荐表示学习已经从使用单一 ID 或交互历史发展到利用高阶邻居。这导致了图卷积网络(GCNs)在推荐方面的成功，如 PinSage 和 LightGCN。尽管具有有效性，但我们认为它们存在两个局限性：(1)高阶节点对表示学习的影响更大，使低阶(长尾)项目的推荐恶化;(2)由于邻域聚集方案进一步扩大了观测边缘的影响，表征容易受到噪声相互作用的影响。在这项工作中，我们探索了用户项图的自监督学习，以提高GCNs推荐的准确性和鲁棒性。