Intent-aware Recommendation via Disentangled Graph Contrastive Learning

基于图神经网络（GNN）的推荐系统已经成为主流趋势之一，因为它具有从用户行为数据中学习的强大能力。从行为数据中理解用户意图是推荐系统的关键，这对于基于GNN的推荐系统提出了两个基本要求。一是如何学习复杂和多样化的意图，特别是当用户行为在现实中通常不足时。另一个是不同的行为具有不同的意图分布，因此如何建立它们之间的关系以获得更可解释的推荐系统。在本文中，我们提出了Intent-aware Recommendation via Disentangled Graph Contrastive Learning（IDCL），它同时学习可解释的意图和这些意图上的行为分布。具体而言，我们首先将用户行为数据建模为用户-项目-概念图，并设计了基于GNN的行为解缠模块来学习不同的意图。然后，我们提出了意图级对比学习来增强意图解缠并同时推断行为分布。最后，引入了编码率降低正则化来使不同意图的行为正交。广泛的实验表明，IDCL在实质性改进和可解释性方面具有很高的效果。

如何学习复杂和多样的用户意图，同时建立行为分布和意图之间的关系，以实现可解释的推荐系统？

将用户行为数据建模为用户-物品-概念图，设计基于GNN的行为分离模块来学习不同的意图，并提出意图-间对比学习来增强意图分离和推断行为分布。

论文提出的IDCL模型在推荐任务中表现出了显著的改进和可解释性，使用了多个数据集进行广泛的实验验证，并提出了编码率降低正则化来使不同意图的行为正交。

近期相关研究包括《Graph Convolutional Neural Networks for Web-Scale Recommender Systems》、《Session-based Recommendation with Graph Neural Networks》等。