CLSR：Contrastive Learning Based Graph Convolution Network forSocial Recommendation

一、概述

《Contrastive Learning Based Graph Convolution Network for Social Recommendation》该论文主要介绍了一种用于社交推荐的对比学习方法。当前的社交推荐模型通常关注建模多图结构，并从这些多图中汇集信息以学习用户的偏好。然而，这些方法往往使用复杂的模型和冗余的参数来获得轻微的性能改进。因此，本文提出了一种集成社交图和交互图信息的对比学习方法，通过对用户嵌入进行融合来获取更精细的用户表示。同时，引入了对比学习框架，通过数据增强构建对比学习的正负样本。实验证明了该方法的优越性。

该论文的关键词包括对比学习、图卷积网络、社交推荐和嵌入增强。论文通过实验证明了所提出方法的有效性，并与其他图增强模型进行了比较。该论文的研究对于改进社交推荐系统的性能具有重要意义。

总体而言，这篇论文介绍了一种基于对比学习的图卷积网络方法，用于改进社交推荐系统的性能。通过融合社交图和交互图信息，并利用对比学习框架进行数据增强，该方法能够更好地学习用户的偏好。实验证明了该方法在社交推荐任务上的优越性能。

二、引言

2.1 基于GCN的推荐系统

这段文本总结了基于GCN的推荐系统存在的问题以及针对这些问题的改进方法。首先，GCN-based推荐系统面临着监督数据稀疏、长尾分布和交互噪声等问题。为了解决这些问题，最近的研究开始利用社交网络和对比学习进行改进。

社交网络中的用户通常基于兴趣关注其他用户，因此社交网络可以提供稀疏信号来辅助推荐系统。然而，现有的方法在利用社交网络时效果有限，因此需要更加方便和有效的方式来利用社交网络。

另一个问题是如何有效地整合来自不同图的用户嵌入。最初的实验中，分别在社交图和交互图中传播用户嵌入，但发现嵌入之间存在较大差异，进一步的组合效果有限。为了解决这个问题，改进方法将用户嵌入先在交互图中传播，然后在社交图中传播，以减小嵌入之间的语义差距。

综上所述，改进方法采用融合简化的方式处理社交网络和交互图，利用社交影响来辅助挖掘用户兴趣。实验证明了这种方法的有效性，并为进一步研究提供了新的思路和理论基础。

2.2 SSL

自监督学习（SSL）在推荐系统中的应用，并重点讨论了图对比学习。它指出SSL可以改善推荐质量，并介绍了社交推荐模型中的图对比学习任务的两个主要组成部分：图增强和对比学习。然而，对于图增强对推荐性能的影响尚不确定。因此，研究者提出了嵌入增强的方法作为对比学习的替代方案。他们通过引入随机屏蔽和随机噪声的嵌入增强方法，扩大了节点嵌入的变化范围。在此基础上，提出了一种基于对比学习的图卷积网络（CLSR），它简化了复杂的图结构建模，并通过嵌入增强改善了对比学习性能。实验证明，CLSR在推荐任务中的表现优于其他图增强模型。嵌入增强相比图增强具有更低的计算消耗和更好的稳定性。该研究的主要贡献是提出了一个简化的基于GCN的社交推荐表