Diffusion-augmented Graph Contrastive Learning for Collaborative Filter

要約

グラフベースのコラボレーションフィルタリングは、推奨システムの顕著なアプローチとして確立されており、ユーザーとアイテムの相互作用の固有のグラフトポロジを活用して、高次接続パターンをモデル化し、推奨パフォーマンスを強化します。
グラフ対照学習（GCL）の最近の進歩は、対照的なビューの生成と相互情報の最大化を通じて表現学習を改善することにより、データスパースの問題を軽減する有望な可能性を実証しています。
ただし、既存のアプローチには、効果的なデータ増強戦略がありません。
構造的増強は、基本的なグラフトポロジーの歪みをリスクしますが、特徴レベルの摂動手法は、ノード固有の特性を説明できない均一なノイズスケールを主に使用します。
これらの課題を解決するために、拡散モデルを統合する革新的なフレームワークである拡散性対応学習（DGCL）を提案します。
私たちのアプローチは、表現のノード固有のガウス分布を学習する拡散プロセスを採用しており、それにより、逆拡散サンプリングを通じて意味的に一貫した多様なコントラストビューを生成します。
DGCLは、セマンティックコヒーレンスとノード固有の機能の両方を考慮して、再構築された表現に基づいて適応データの増強を促進します。
さらに、潜在的なまばらな特徴空間の代表されていない領域を探り、それにより、対照的なビューの多様性を豊かにします。
広範な実験結果は、3つのパブリックデータセットに対するDGCLの有効性を示しています。

要約(オリジナル)

Graph-based collaborative filtering has been established as a prominent approach in recommendation systems, leveraging the inherent graph topology of user-item interactions to model high-order connectivity patterns and enhance recommendation performance. Recent advances in Graph Contrastive Learning (GCL) have demonstrated promising potential to alleviate data sparsity issues by improving representation learning through contrastive view generation and mutual information maximization. However, existing approaches lack effective data augmentation strategies. Structural augmentation risks distorting fundamental graph topology, while feature-level perturbation techniques predominantly employ uniform noise scales that fail to account for node-specific characteristics. To solve these challenges, we propose Diffusion-augmented Contrastive Learning (DGCL), an innovative framework that integrates diffusion models with contrastive learning for enhanced collaborative filtering. Our approach employs a diffusion process that learns node-specific Gaussian distributions of representations, thereby generating semantically consistent yet diversified contrastive views through reverse diffusion sampling. DGCL facilitates adaptive data augmentation based on reconstructed representations, considering both semantic coherence and node-specific features. In addition, it explores unrepresented regions of the latent sparse feature space, thereby enriching the diversity of contrastive views. Extensive experimental results demonstrate the effectiveness of DGCL on three public datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google