RDGCL: Reaction-Diffusion Graph Contrastive Learning for Recommendation

要約

対照学習 (CL) は、生データからの自己教師信号を使用することでデータの希薄性の課題に対処し、レコメンダー システムを改善するための有望な手法として浮上しています。
CL とグラフ畳み込みネットワーク (GCN) ベースの協調フィルタリング (CF) の統合は、レコメンダー システムで検討されています。
ただし、現在の CL ベースの推奨モデルは、ローパス フィルターとグラフ拡張に大きく依存しています。
この論文では、反応拡散方程式にヒントを得て、反応拡散グラフ対比学習モデル (RDGCL) と呼ばれるレコメンダー システム用の新しい CL 手法を提案します。
拡散方程式（ローパスフィルター）と反応方程式（ハイパスフィルター）に基づいてCF用の独自のGCNを設計します。
私たちが提案する CL ベースのトレーニングは、反応ベースの埋め込みと拡散ベースの埋め込みの間で発生するため、グラフの拡張は必要ありません。
5 つのベンチマーク データセットに対する実験評価により、提案された手法が最先端の CL ベースの推奨モデルよりも優れていることが実証されました。
推奨の精度と多様性を強化することにより、私たちの方法は推奨システムの CL に進歩をもたらします。

要約(オリジナル)

Contrastive learning (CL) has emerged as a promising technique for improving recommender systems, addressing the challenge of data sparsity by using self-supervised signals from raw data. Integration of CL with graph convolutional network (GCN)-based collaborative filterings (CFs) has been explored in recommender systems. However, current CL-based recommendation models heavily rely on low-pass filters and graph augmentations. In this paper, inspired by the reaction-diffusion equation, we propose a novel CL method for recommender systems called the reaction-diffusion graph contrastive learning model (RDGCL). We design our own GCN for CF based on the equations of diffusion, i.e., low-pass filter, and reaction, i.e., high-pass filter. Our proposed CL-based training occurs between reaction and diffusion-based embeddings, so there is no need for graph augmentations. Experimental evaluation on 5 benchmark datasets demonstrates that our proposed method outperforms state-of-the-art CL-based recommendation models. By enhancing recommendation accuracy and diversity, our method brings an advancement in CL for recommender systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google