A Comprehensive Survey on Self-Supervised Learning for Recommendation

推荐系统通过根据用户个人偏好提供个性化推荐，对应对信息过载的挑战起着至关重要的作用。深度学习技术，如RNN、GNN和Transformer架构，通过增强对用户行为和偏好的理解，显著推动了推荐系统的发展。然而，在现实场景中，由于数据稀疏性，监督学习方法面临挑战，导致其有效学习表示的能力受到限制。为了解决这个问题，自监督学习（SSL）技术应运而生，利用固有的数据结构生成监督信号，而不仅仅依赖于标记数据。通过利用未标记数据并提取有意义的表示，利用SSL的推荐系统可以在面对数据稀疏性时进行准确的预测和推荐。本文全面回顾了针对推荐系统设计的自监督学习框架，涵盖了对170多篇论文的彻底分析。我们对九个不同场景进行了探索，以便全面了解不同上下文中SSL增强推荐系统的情况。针对每个领域，我们详细介绍了不同的自监督学习范例，即对比学习、生成学习和对抗学习，以便呈现SSL如何在各种情况下增强推荐系统的技术细节。我们始终将相关的开源材料维护在https://github.com/HKUDS/Awesome-SSLRec-Papers。

论文旨在解决推荐系统中数据稀疏性问题，提出了利用自监督学习技术来提高推荐系统的性能。

论文提出了利用自监督学习技术来提高推荐系统的性能，通过无监督学习方法从未标记的数据中提取有意义的表示，从而提高推荐准确性。

论文提供了一个全面的自监督学习框架，包括对超过170篇论文的分析。论文探讨了9种不同的场景，并详细阐述了对比学习、生成学习和对抗学习等不同的自监督学习范式如何在不同的场景中提高推荐系统的性能。论文提供了相关的开源材料。

近年来，自监督学习在推荐系统领域中得到了广泛应用。在相关研究中，有一些论文值得关注，例如：《Self-Supervised Graph Transformer on Large-Scale Molecular Data》、《Self-Supervised Learning for Recommendation: A Review》、《Unsupervised Representation Learning for Sequential Recommendation: A Comparative Study》等。