Stochastic Sampling for Contrastive Views and Hard Negative Samples in Graph-based Collaborative Filtering

本文介绍了一种基于图的协同过滤（CF）方法，该方法在推荐系统中具有很大的潜力。尽管取得了一定的成就，但是基于图的CF模型面临着数据稀疏和负采样等挑战。为了解决这些问题，本文提出了一种新颖的随机采样方法，称为Stochastic sampling for i) COntrastive views and ii) hard NEgative samples (SCONE)。通过考虑到它们都是采样任务，我们基于基于评分的生成模型提出了统一的随机采样框架，生成动态扩充视图和多样的难例负样本。在对6个基准数据集进行全面评估的过程中，我们的SCONE显著提高了推荐准确性和鲁棒性，并证明了我们的方法优于现有的CF模型。此外，我们证明了用户-物品特定的随机采样对于解决用户稀疏和物品流行度问题的有效性。将随机采样和基于图的CF相结合，可以获得个性化推荐系统的最新技术，从而在信息丰富的环境中取得重大进展。

本论文旨在解决基于图的协同过滤模型在面对数据稀疏性和负采样时遇到的挑战。作者提出了一种新的随机采样方法SCONE，旨在通过基于得分的生成模型生成动态增强视图和多样化的难负样本，从而克服这些问题。

SCONE方法采用基于得分的生成模型生成动态增强视图和多样化的难负样本，从而提高推荐系统的准确性和鲁棒性，证明了用户-项目特定随机采样对于解决用户稀疏性和项目流行度问题的有效性。

本文在6个基准数据集上进行了全面评估，证明了SCONE方法在个性化推荐系统中的卓越性能，并且取得了最先进的结果。作者提供了开源代码，为进一步研究提供了参考。

最近的相关研究包括《Graph Convolutional Matrix Completion》和《Neural Collaborative Filtering》，它们都探讨了基于图的协同过滤模型的不同变体和改进方法。