GenGCL:一种用于提升推荐系统的生成图对比学习方法
《Neurocomputing》:GenGCL: Generative graph contrastive learning for enhancing recommender systems
【字体:
大
中
小
】
时间:2026年03月19日
来源:Neurocomputing 6.5
编辑推荐:
图神经网络推荐系统通过预训练生成模型进行图增强,结合非负矩阵分解提升嵌入质量,有效缓解数据稀疏和过平滑问题。
苏平凡|程德波|张文臻|张倩|张世超
中国广西壮族自治区桂林市,广西师范大学多源信息挖掘与安全重点实验室,541004
摘要
图神经网络(GNNs)由于其强大的图结构学习能力,在基于图的推荐系统中得到了广泛应用。然而,它们的性能常常受到数据稀疏性的影响。现有的图对比学习(GCL)模型通常依赖于对图结构的随机扰动来构建对比视图。但这些扰动可能会扭曲图的原语义结构,导致表示不准确或具有误导性。为了解决这些问题,我们提出了GenGCL,这是一种新颖的推荐系统,它利用预训练的生成模型来进行图增强。我们的预训练视图生成器能够高效地捕捉图的语义结构,同时将噪声引入降至最低。此外,我们还结合了非负矩阵分解(NMF)来增强嵌入,为对比学习提供了更高质量的全局结构信息。在真实世界数据集上的实验表明,GenGCL有效缓解了数据稀疏性和噪声问题,并显著减轻了过度平滑现象。
部分内容
引言
随着用户对个性化需求的快速增长,推荐系统已成为帮助用户从海量信息中发现有趣内容的有效工具。在各种推荐策略中,协同过滤(CF)仍然是最广泛使用的方法之一。近年来,图神经网络(GNNs)通过有效捕捉用户-项目交互图中的高阶协同信号,显著提升了基于CF的推荐系统的性能。
相关工作
我们回顾了与我们所提出的GenGCL最相关的研究工作,重点关注两个关键领域:用于推荐的对比学习和自监督图学习。
方法论
在本节中,我们全面介绍了所提出的GenGCL框架,该框架由三个关键组成部分构成。GenGCL模型的完整架构如图1所示。第一个组件采用图消息机制来捕捉用户与项目之间的交互信息。这一机制促进了交互图内信息的聚合和传播,为有效的表示学习奠定了基础。
实验
为了评估所提出的GenGCL模型的多方面优势,我们设计并进行了广泛的实验来回答以下研究问题:
•RQ1: GenGCL在不同数据集上的表现与各种最先进的推荐系统相比如何?
•RQ2: GenGCL和基线模型在训练时间和收敛性方面的效率如何?
•RQ3: 所提出的模型如何处理数据稀疏性和数据噪声?它如何应对过度平滑问题?
•RQ4: 数据...
结论
在这项工作中,我们提出了一种新的对比增强方法,通过基于VGAE的视图生成器进行图增强,并利用NMF指导增强视图的嵌入增强,从而提高了推荐系统的性能,并增强了模型对噪声数据的鲁棒性。此外,NMF能够有效捕捉潜在因素并建模稀疏矩阵,帮助模型应对数据...
CRediT作者贡献声明
苏平凡:撰写——原始草案、可视化、软件实现、方法论构建、概念化。程德波:撰写——审稿与编辑、形式化分析、概念化。张文臻:撰写——审稿与编辑、形式化分析、概念化。张倩:撰写——审稿与编辑、监督、形式化分析。张世超:撰写——审稿与编辑、资金筹集。
利益冲突声明
作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。
致谢
本工作部分得到了广西科学技术项目(GuiKeAB23026040)、广西多源信息挖掘与安全重点实验室研究基金(编号20-A-01-01和MIMS21-M01)、广西多源信息集成与智能处理协同创新中心以及广西多源信息挖掘与安全重点实验室研究基金(MIMS24-03)的支持。
苏平凡毕业于中国桂林的广西师范大学,研究兴趣包括深度学习、图神经网络和推荐系统。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号