Consistency and Discrepancy-Based Contrastive Tripartite Graph Learning for Recommendations

这段摘要介绍了三方图推荐系统与传统模型的区别，它们可以推荐用户组合和物品捆绑等独特的组合形式。尽管这些系统非常有效，但它们加剧了传统推荐系统中长期存在的冷启动问题，因为用户或物品之间可以形成任意数量的用户组合或物品捆绑。为了解决这个问题，作者提出了一种基于一致性和差异性的图形对比学习方法，用于三方图推荐。这种方法利用两个新颖的元路径度量——一致性和差异性来捕捉推荐对象和推荐者之间微妙的隐含关联。这些指标表示高阶相似性，可以在多目标优化框架下使用无限图卷积网络层进行高效计算，利用GCN的极限理论。

本论文旨在解决三元图推荐系统中的冷启动问题，因为用户或物品之间可以形成任意数量的用户组或物品捆绑包，从而使得推荐系统更加复杂。

该论文提出了一种基于一致性和差异性的图对比学习方法，利用两个新颖的基于元路径的度量标准一致性和差异性来捕捉推荐对象与推荐者之间微妙的、隐含的关联。

该论文的亮点包括：使用了一致性和差异性度量标准来解决三元图推荐系统中的冷启动问题；利用无限图卷积网络层在多目标优化框架下高效计算这些度量标准；在三个真实数据集上进行了实验，结果表明该方法在推荐性能和冷启动问题上都优于其他方法。

在这个领域中，最近的相关研究包括：《Graph Convolutional Matrix Completion》、《Recommendations with Negative Feedback via Pairwise Deep Reinforcement Learning》等。