基于神经体系结构的推荐系统近年来取得了巨大的成功。但是，在处理高度稀疏的数据时，仍然达不到预期。自监督学习(Self-supervised learning, SSL)作为一种利用无标记数据进行学习的新兴技术，近年来受到了广泛的关注。也有越来越多的研究将SSL应用到推荐中，以缓解数据稀疏问题。本综述对自监督推荐(SSR)的研究成果进行了及时、系统的回顾。在此基础上，我们建立了一个完整的SSR分类体系，将现有的SSR方法分为四大类: 对比型(contrast)、生成型(generative)、预测性(predictive)和混合型(hybrid)。同时，为了促进SSR模型的开发和评估，我们发布了一个开源库SELFRec，它包含了多个基准数据集和评估指标，并实施了一些最先进的SSR模型进行实证比较。最后，指出了当前研究的局限性，并提出了未来的研究方向。

论文链接：

https://arxiv.org/abs/2203.15876

 

内容中包含的图片若涉及版权问题，请及时与我们联系删除