Self-supervised Contrastive Learning for Implicit Collaborative Filtering

对比学习为基础的推荐算法在自监督推荐领域取得了显著进展，尤其是以BPR作为代表的支配隐式协同过滤的排名预测任务。然而，推荐系统中存在的假阳性和假阴性示例阻碍了准确的偏好学习。在本研究中，我们提出了一个简单的自监督对比学习框架，利用正特征增强和负标签增强来改善自监督信号。理论分析表明，我们的学习方法等价于最大化具有代表用户兴趣中心的潜在变量的似然估计。此外，我们建立了一种有效的负标签增强技术，它以与相对排名位置成线性关系的概率采样未标记示例，从而实现了恒定时间复杂度的有效增强。通过在多个数据集上的验证，我们展示了我们的方法在保持可比较运行时间的同时，相对于广泛使用的BPR优化目标所取得的显著改进。

论文旨在解决推荐系统中存在的false-positive和false-negative样本问题，提出了一种基于自监督对比学习的框架。

该框架利用了正样本特征增强和负标签增强来改善自监督信号，并建立了一种有效的负标签增强技术。

论文通过在多个数据集上进行验证，证明了该方法相比于BPR优化目标具有显著的改进，同时保持了可比的运行时间。

最近的相关研究包括基于深度学习的推荐系统，以及利用自监督学习提高推荐系统性能的研究，如MoCo和SimCLR。