التعلم الرسخي التلقائي للتوصية

لقد تطورت تعلم التمثيل على رسم بياني للمستخدم-العنصر للإقتراح من استخدام المعرفة الفردية أو سجل التفاعل إلى استغلال الجيران من الدرجة الأعلى. وقد أدى ذلك إلى نجاح شبكات الت(Convolution) الرسومية (GCNs) في مجال الإقتراح، مثل PinSage وLightGCN. وعلى الرغم من فعاليتها، نحن نرى أن هذه النماذج تعاني من قيودتين: (1) تؤثر العقد ذات الدرجة العالية بشكل أكبر على تعلم التمثيل، مما يؤدي إلى تدهور أداء الإقتراح بالنسبة للمستلزمات منخفضة الدرجة (العناصر الطويلة الذيل)؛ و(2) تكون التمثيلات عرضة للتفاعلات الضوضائية، نظرًا لأن نموذج جمع الجيران يُضخم بشكل إضافي تأثير الحواف المُلاحظة.في هذا العمل، نستكشف تعلمًا ذاتيًا (Self-supervised Learning) على الرسم البياني للمستخدم-العنصر بهدف تحسين دقة وثبات شبكات الت(Convolution) الرسومية (GCNs) في مجال الإقتراح. الفكرة تكمن في تعزيز المهمة المراقبة التقليدية للإقتراح بمهام ذاتية مساعدة، والتي تُعزز تعلم تمثيل العقدة من خلال التمييز الذاتي. وبشكل محدد، نُنشئ عدة وجهات (Views) لعقدة واحدة، مع زيادة التوافق بين الوجهات المختلفة للعقدة نفسها مقارنةً بالوجهات الأخرى للعقد المختلفة. وقد طوّرنا ثلاثة مشغلات (Operators) لإنشاء هذه الوجهات: حذف العقدة، حذف الحافة، والمشي العشوائي، التي تُغيّر هيكل الرسم البياني بطريقة مختلفة. ونُطلق على هذا النموذج الجديد للتعلم اسم \textit{تعلم الرسم البياني الذاتي} (SGL)، ونُطبّقه على أحدث نموذج، وهو LightGCN. ومن خلال التحليلات النظرية، وجدنا أن SGL يتمتع بقدرة على استخراج التناقضات الصعبة (Hard Negatives) تلقائيًا. وتشير الدراسات التجريبية على ثلاث مجموعات بيانات معيارية إلى فعالية SGL، حيث يُحسّن من دقة الإقتراح، خاصةً بالنسبة للعناصر الطويلة الذيل، ويُعزز المقاومة ضد الضوضاء في التفاعلات. وتوفر نسخنا التنفيذية على الرابط: \url{https://github.com/wujcan/SGL}.