Intent-Guided Heterogeneous Graph Contrastive Learning for Recommendation

基于对比学习（CL）的推荐系统在异构图（HG）环境下因其能够增强不同视角下表示的一致性而备受关注。然而，现有框架往往忽略了HG中用户-物品交互受多种潜在意图（例如对特定品牌的偏好或物品受众的人口特征）的支配，而这些意图对于捕捉细粒度的关系至关重要。探索这些潜在意图，特别是通过HG中的元路径来进行探索，面临两个主要挑战：i）如何将CL机制与潜在意图相结合；ii）如何减轻与这些复杂意图相关的噪声。为了解决这些挑战，我们提出了一个名为Intent-Guided Heterogeneous Graph Contrastive Learning（IHGCL）的创新框架，旨在通过捕捉元路径中包含的意图来增强基于CL的推荐。具体而言，IHGCL框架包括：i）它采用基于元路径的双重对比学习方法，有效地将意图整合到推荐中，构建元路径对比和视图对比；ii）它使用一个瓶颈自编码器，将掩码传播与信息瓶颈原理相结合，显著减少元路径引入的噪声扰动。在六个不同数据集上进行的实证评估表明，相对于传统基线方法，我们的IHGCL框架具有更优异的性能。我们的模型实现可在https://github.com/wangyu0627/IHGCL上获得。

本论文旨在解决基于对比学习的推荐系统在异构图中存在多样化潜在意图的问题，并提出了一个新的框架IHGCL来集成这些意图。

IHGCL框架通过使用基于元路径的双重对比学习方法和信息瓶颈原理相结合的自动编码器，将潜在意图集成到推荐中，并减少元路径引入的噪声扰动。

该论文实验结果表明，IHGCL相对于传统基线方法具有更好的性能。作者还提供了模型实现的开源代码。

最近的相关研究包括《Heterogeneous Graph Neural Networks: A Review of Methods and Applications》和《Recommendation in Heterogeneous Information Networks》等。