SSLRec: A Self-Supervised Learning Library for Recommendation

要約

自己教師あり学習 (SSL) は、レコメンダー システムのまばらでノイズの多いデータによってもたらされる課題に対処するソリューションとして、近年大きな関心を集めています。
さまざまなレコメンデーション シナリオ (グラフ協調フィルタリング、逐次レコメンデーション、ソーシャル レコメンデーション、KG 強化レコメンデーションなど) で最先端のパフォーマンスを提供するように設計された SSL アルゴリズムの数は増えていますが、依然として、
さまざまなドメインにわたる推奨アルゴリズムを統合します。
このようなフレームワークは、自己教師あり推奨アルゴリズムの基礎として機能し、既存の手法の検証を統合し、新しい手法の設計を推進する可能性があります。
このギャップに対処するために、SSLRec を導入します。SSLRec は、さまざまな SSL 強化レコメンダーを評価するための、標準化された柔軟で包括的なフレームワークを提供する新しいベンチマーク プラットフォームです。
SSLRec ライブラリは、ユーザーが最先端のモデルを簡単に評価できるモジュール式アーキテクチャと、特定のニーズに合わせた SSL 推奨モデルの作成に役立つデータ拡張および自己監視型ツールキットの完全なセットを備えています。
さらに、SSLRec は、一貫性のある公平な設定によるさまざまな推奨モデルのトレーニングと評価のプロセスを簡素化します。
当社の SSLRec プラットフォームは、さまざまなシナリオにわたる最先端の SSL 強化レコメンデーション モデルの包括的なセットをカバーしており、研究者がこれらの最先端のモデルを評価し、現場でさらなるイノベーションを推進できるようにします。
実装された SSLRec フレームワークは、ソース コード リポジトリ https://github.com/HKUDS/SSLRec で入手できます。

要約(オリジナル)

Self-supervised learning (SSL) has gained significant interest in recent years as a solution to address the challenges posed by sparse and noisy data in recommender systems. Despite the growing number of SSL algorithms designed to provide state-of-the-art performance in various recommendation scenarios (e.g., graph collaborative filtering, sequential recommendation, social recommendation, KG-enhanced recommendation), there is still a lack of unified frameworks that integrate recommendation algorithms across different domains. Such a framework could serve as the cornerstone for self-supervised recommendation algorithms, unifying the validation of existing methods and driving the design of new ones. To address this gap, we introduce SSLRec, a novel benchmark platform that provides a standardized, flexible, and comprehensive framework for evaluating various SSL-enhanced recommenders. The SSLRec library features a modular architecture that allows users to easily evaluate state-of-the-art models and a complete set of data augmentation and self-supervised toolkits to help create SSL recommendation models with specific needs. Furthermore, SSLRec simplifies the process of training and evaluating different recommendation models with consistent and fair settings. Our SSLRec platform covers a comprehensive set of state-of-the-art SSL-enhanced recommendation models across different scenarios, enabling researchers to evaluate these cutting-edge models and drive further innovation in the field. Our implemented SSLRec framework is available at the source code repository https://github.com/HKUDS/SSLRec.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google