على الرغم من فعاليتها في مهام التوصية، تواجه تقنيات التصفية التعاونية (CF) تحديًا يُعرف بـ "ندرة البيانات". بدأ الباحثون في الاستفادة من التعلم المتناقض (contrastive learning) لإدخال إشارات ذاتية مُراقبة إضافية لمعالجة هذه المشكلة. ومع ذلك، غالبًا ما يؤدي هذا النهج إلى تباعد غير مقصود بين المستخدم أو العنصر المستهدف وجيرانه التعاونيين، مما يحد من فعاليته. لمواجهة هذه المشكلة، نقترح حلًا يُعامل جيران العقدة المرجعية (anchor node) كعينات إيجابية ضمن دالة الخسارة النهائية. يركّز هذا البحث على تطوير دالتين خسارة متناقضة مُراقبة فريدتين، تُحقّق تكاملًا فعّالًا بين إشارات المراقبة ودالة الخسارة المتناقضة. ونحلل دالتَي الخسارة المقترحتين من منظور التدرج (gradient lens)، ونُظهر أن العينات الإيجابية المختلفة تؤثر بشكل متزامن على تحديث تمثيلات العقدة المرجعية. وتعتمد هذه التأثيرات على مدى تشابه العينات الإيجابية مع العقدة المرجعية، وكذلك على علاقاتها بالعينات السلبية. باستخدام نموذج التصفية التعاونية القائم على الرسم البياني كهيكل أساسي، واتباع نفس أساليب التضخيم البيانات المستخدمة في النموذج الحالي للتعلم المتناقض SGL، نُحسّن بشكل فعّال أداء نموذج التوصية. يُستبدل نموذجنا، المُسمّى "خسارة التقابل المُراقب المُعززة بالجوار" (NESCL)، دالة الخسارة المتناقضة في SGL بدوال خسارة جديدة، مما يُظهر تحسنًا ملحوظًا في الأداء. وعلى ثلاث مجموعات بيانات واقعية (Yelp2018، Gowalla، وAmazon-Book)، تفوق نموذجنا النموذج الأصلي SGL بنسبة 10.09% و7.09% و35.36% على مقياس NDCG@20، على التوالي.