论文标题：

Hypergraph Contrastive Collaborative Filtering

论文链接：

https://arxiv.org/pdf/2204.12200.pdf

代码：

https://github.com/akaxlh/HCCF

协同过滤 (CF) 已经成为将用户和商品参数化到潜在表征空间的基本范式，它们的相关模式来自交互数据。现有的基于GNN的推荐方法中存在两个挑战尚未得到很好的探索：

  • i)  基于图的 CF 架构的过度平滑效应可能导致无法区分的用户表征导致推荐结果的退化。
  • ii) 监督信号（即用户-商品交互）在现实中通常是稀缺且偏斜分布的，这限制了 CF 范式的表征能力。

本文提出了一种新的自监督推荐框架HCCF，以通过超图增强的跨视图对比学习架构共同捕获局部和全局协同关系。超图结构学习增强基于 GNN 的 CF 范式的判别能力，从而全面捕捉用户之间复杂的高阶依赖关系。并且，HCCF 模型有效地将超图结构编码与自监督学习相结合，以增强推荐系统的表征质量。

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