AutoCF：Automated Self-Supervised Learning for Recommendation

一、概述

《Automated Self-Supervised Learning for Recommendation》该论文介绍了自动化自监督学习在推荐系统中的应用。

这篇论文介绍了一种名为AutoCF的自动协同过滤方法，旨在解决协同过滤中数据增强的问题。传统的对比学习方法在数据增强方面通常依赖于手动生成对比视图，这在不同数据集和推荐任务中很难泛化并且对噪声扰动不够鲁棒。为了填补这一差距，AutoCF采用了一种统一的自动生成数据增强的方法。具体而言，它基于生成式自监督学习框架，使用可学习的增强范式来提取重要的自监督信号。通过遮蔽（mask）图中的子图结构来提取重要的自监督信号，为了增强表示的判别能力，AutoCF设计了一个遮蔽图自编码器，通过重构遮蔽子图结构来聚合全局信息。

二、引言

引言主要介绍了推荐系统的作用和目标，以及当前基于图神经网络的推荐模型在标签依赖性、数据稀缺和噪声等方面存在的限制。为了解决这些问题，近期的研究提出了基于对比学习技术的数据增强方法，但这些方法仍然依赖于手动生成的对比视图，而在不同的推荐场景中准确生成对比视图是具有挑战性的。因此，需要一个统一的基于自监督学习的推荐模型，能够自动提取重要的自监督信号以进行自适应增强，减轻人工工作量。

基于此，研究提出了一种基于掩码图自编码器架构的自监督增强的自动化框架。该框架旨在回答三个关键问题：

• Q1：如何自动提取对推荐目标更有益的自监督信号？
• Q2：如何通过保留有信息的协同关系实现可学习的图增强？
• Q3：如何设计全局信息聚合的图自编码器框架以进行自适应图重构。

通过引入掩码图自编码器架构，该框架可以有效地提取自监督信号并进行数据增强，而无需手动指定对比视图。这一方法受到生成式自监督学习在视觉领域的成功启发。掩码图自编码器能够自动学习到重要的自监督信号，并通过保留有信息的协同关系来实现图的增强。同时，全局信息聚合的图自编码器框架可以进行自适应的图重构，进一步提高模型性能。

三、主要贡献

1. 自适应自监督信号提取：通过设计可学习的掩码函数，能够自动识别图中重要的中心节点，并利用这些节点进行基于重构的数据增强。这种方法能够根据图的结构自适应地提取自监督信号。

2. 考虑节点语义相关性：在掩码学习阶段，考虑了节点特定的子图语义相关性࿰