Dual-domain Collaborative Denoising for Social Recommendation

社交推荐利用社交网络来补充用户-物品交互数据，以缓解推荐系统中的数据稀疏问题。然而，现有的社交推荐方法面临以下挑战：社交网络和交互数据都包含大量噪声，这些噪声通过图神经网络（GNN）的传播不仅无法增强推荐性能，还可能干扰模型的正常训练。尽管去噪对于社交网络和交互数据至关重要，但只有少数研究考虑了社交网络的去噪，而且所有研究都忽略了交互数据的去噪，从而阻碍了去噪效果和推荐性能。基于此，我们提出了一种新的模型，称为双域协作去噪社交推荐（DCDSR）。DCDSR包括两个主要模块：结构级协作去噪模块和嵌入空间协作去噪模块。在结构级协作去噪模块中，首先利用来自交互域的信息来指导社交网络去噪。随后，去噪后的社交网络用于监督交互数据的去噪。嵌入空间协作去噪模块致力于通过双域嵌入协作扰动的对比学习来抵抗噪声跨域扩散问题。此外，还引入了一种新的对比学习策略，称为Anchor-InfoNCE，以更好地利用对比学习的去噪能力。在三个真实数据集上评估我们的模型，验证了DCDSR具有显著的去噪效果，因此优于现有的社交推荐方法。

如何在社交推荐中解决数据稀疏性和噪声的问题？

提出了一种名为Dual-domain Collaborative Denoising for Social Recommendation (DCDSR)的模型，结合了社交网络和用户行为数据进行协同去噪，采用了结构层面和嵌入空间层面的协同去噪方法，并引入了对比学习策略Anchor-InfoNCE来提高去噪效果。

实验结果表明，DCDSR模型在社交推荐中具有显著的去噪效果，并且在三个真实数据集上均优于现有的社交推荐方法。

相关研究包括：SocialGCN、GraphRec、PinSage等。