Bilateral Unsymmetrical Graph Contrastive Learning for Recommendation

最近的方法利用图对比学习技术处理图结构的用户-物品交互数据进行协同过滤，已经在推荐任务中展示出了有效性。然而，它们忽略了用户-物品节点之间差异关系密度的不同，这会导致多次图交互计算后，双边节点的图适应性不同，限制了现有模型实现理想结果的能力。为了解决这个问题，我们提出了一种新的推荐任务框架，称为双边不对称图对比学习（BusGCL），它考虑了用户-物品节点关系密度的双边不对称性，通过双边切片对比训练，更好地推理分割用户和物品图表。特别地，考虑到基于超图的图卷积网络（GCN）在挖掘隐含相似性方面的聚合能力更适合用户节点，从三个不同模块生成的嵌入：基于超图的GCN、GCN和扰动GCN，分别通过用户和物品方面切片成两个子视图，根据节点间关系结构的特征进行双边选择性组合。此外，为了对齐聚合后的用户和物品嵌入的分布，引入了扩散损失来调整所有嵌入之间的相互距离，以保持学习能力。在两个公共数据集上的综合实验证明了BusGCL相对于各种推荐方法的优越性。其他模型可以简单地利用我们的双边切片对比学习来提高推荐性能，而不会产生额外的开销。

解决问题：论文旨在解决协同过滤中节点密度差异导致的双侧节点的图适应性不同的问题，提出了一种新的推荐框架BusGCL。

关键思路：BusGCL考虑到用户-物品节点之间的双侧不对称性，通过双侧切片对用户和物品图进行推理，利用超图GCN挖掘隐式相似性，采用离散损失调整节点嵌入的分布，以提高推荐性能。

亮点：论文通过实验证明了BusGCL在两个公共数据集上的优越性，其他模型可以简单地利用双侧切片对比学习来提高推荐性能。论文提出的超图GCN和离散损失方法也值得进一步研究。

相关研究：最近的研究主要集中在利用图卷积网络进行推荐任务上，例如PinSage、GraphSage和GAT等。