SGL：Self-supervised Graph Learning for Recommendation论文

一、前言

1、背景

探索了在用户-商品图上的自监督学习，以提高GCNs推荐的准确性和鲁棒性。该思想是用一个辅助的自监督任务来补充经典的推荐监督任务，通过自鉴别器来强化节点表示学习。具体来说，我们生成一个节点的多个视图，最大化同一个结点不同视图表示之间的相似性，最小化不同结点表示之间的相似性。我们设计了三个操作来生成视图，分别是节点dropout、边dropout和随机游走，以不同的方式改变图的结构。

传统图网络例如PinSage，LightGCN。尽管基于GCN的方法取到了不错的效果，但我们认为这些方法仍然受到了一些限制：

• 监督信号稀疏（数据稀疏）：目前大多数推荐学习任务都是基于监督学习的范式，其中监督信号一般指用户和物品的交互数据。然而这些交互数据通常来说是异常稀疏的，不足以学习高质量的表征。
• 倾斜的数据分布（幂律分布）：推荐系统的交互数据通常呈现幂律分布，其中长尾部分low-degree的物品节点缺乏监督信号。然而，high-degree的物品节点在邻居聚合和监督学习损失中占据了主导地位，对表征学习影响更大。因此，基于GCNs的方法倾斜于high-degree物品节点，牺牲了low-degree物品推荐的性能。
• 交互噪音：用户提供的交互大多数是隐式的（clicks，views），而不是显式的（ratings，likes，dislikes）。因此，收集到的交互通常包含噪声，如用户误点击了一个物品。而GCNs中的邻居聚合操作则会加大这些交互噪音的影响，使得模型训练更容易受到交互噪音的影响。

2、准备工作

这一部分很简单，就是GCN的聚合操作，这里其实也是以lightGCN为根基在上面的改动

 过聚合邻域节点的表示来更新自我