NCL:Improving Graph Collaborative Filtering with Neighborhood-enriched Contrastive Learning，代码解读

一、前言

1、背景

（1）用户-项目交互数据通常是稀疏或嘈杂的，并且它可能无法学习可靠的表示，因为基于图的方法可能更容易受到数据稀疏性的影响

（2）现有的基于 GNN 的 CF 方法依赖于显式交互链接来学习节点表示，而不能显式利用高阶关系或约束（例如，用户或项目相似性）来丰富图信息，尽管最近的几项研究利用对比学习来缓解交互数据的稀疏性，但它们通过随机抽样节点或损坏子图来构建对比对，缺乏构建针对推荐任务更有意义的对比学习任务的思考。

2、做出的贡献

提出NCL方法，主要从两方面考虑对比关系，

（1）结构邻居 : 通过高阶路径在结构上连接的节点

考虑图结构上的用户-用户邻居，商品-商品邻居的对比关系

（2）语义邻居 : 语义上相似的邻居，在图上可能不直接相邻。

从节点表征出发，聚类后，节点与聚类中心构成对比关系

二、模型构建

1、图协同过滤

这里其实就是lightGCN的传播机制，简单过一下：

GCN的消息传递

将每层的输出组合起来，形成结点的最终表示

 然后就是预测，和BPR的损失函数