Topology-aware Debiased Self-supervised Graph Learning for Recommendation

要約

推奨事項として、グラフベースの協調フィルタリング (CF) メソッドは、グラフ対照学習 (GCL) を導入することでデータの希薄性を軽減します。
ただし、これらの GCL ベースの CF モデルのランダム ネガティブ サンプリング戦略では、ユーザー (アイテム) の意味構造が無視され、偽陰性 (アンカー ユーザー (アイテム) に類似したネガティブ) が発生するだけでなく、潜在的なポジティブ サンプルも無視されます。
上記の問題に取り組むために、我々は、ユーザー（アイテム）間の意味的類似性に応じて対照的なペアを構築する、トポロジーを意識した偏りのない自己教師ありグラフ学習（TDSGL）を推奨用に提案します。
具体的には、元のユーザーとアイテムのインタラクション データは、ユーザーの購入意図とアイテムの特定の特性を見事に反映しているため、インタラクション データ上のユーザー (アイテム) 間の意味的類似性を計算します。
次に、ユーザー (アイテム) が与えられた場合、異なる意味構造を埋め込むユーザー (アイテム) を選択することによってそのネガティブ ペアを構築し、指定されたユーザー (アイテム) とそのネガティブの間の意味上の違いを確保します。
さらに、あるユーザー (アイテム) に対して、意味的に類似した他のユーザー (アイテム) を補助的なポジティブ サンプルに変換して、より有益な表現を取得する特徴抽出モジュールを設計します。
実験結果は、提案されたモデルが 3 つの公開データセットで最先端のモデルよりも大幅に優れていることを示しています。
モデル実装コードは https://github.com/malajikuai/TDSGL で入手できます。

要約(オリジナル)

In recommendation, graph-based Collaborative Filtering (CF) methods mitigate the data sparsity by introducing Graph Contrastive Learning (GCL). However, the random negative sampling strategy in these GCL-based CF models neglects the semantic structure of users (items), which not only introduces false negatives (negatives that are similar to anchor user (item)) but also ignores the potential positive samples. To tackle the above issues, we propose Topology-aware Debiased Self-supervised Graph Learning (TDSGL) for recommendation, which constructs contrastive pairs according to the semantic similarity between users (items). Specifically, since the original user-item interaction data commendably reflects the purchasing intent of users and certain characteristics of items, we calculate the semantic similarity between users (items) on interaction data. Then, given a user (item), we construct its negative pairs by selecting users (items) which embed different semantic structures to ensure the semantic difference between the given user (item) and its negatives. Moreover, for a user (item), we design a feature extraction module that converts other semantically similar users (items) into an auxiliary positive sample to acquire a more informative representation. Experimental results show that the proposed model outperforms the state-of-the-art models significantly on three public datasets. Our model implementation codes are available at https://github.com/malajikuai/TDSGL.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google