Selbstüberwachtes Graphen-Lernen für Empfehlungen

Die Repräsentationslernung auf Benutzer-Element-Graphen für Empfehlungssysteme hat sich von der Nutzung einzelner IDs oder Interaktionsverläufe hin zu der Ausnutzung höherer Nachbarschaften entwickelt. Dies hat den Erfolg von Graph-Convolutional-Netzen (GCNs) für Empfehlungen wie PinSage und LightGCN ermöglicht. Trotz ihrer Wirksamkeit argumentieren wir, dass diese Ansätze zwei wesentliche Einschränkungen aufweisen: (1) Knoten mit hoher Gradzahl üben einen stärkeren Einfluss auf die Repräsentationslernung aus, was die Empfehlung von Knoten mit niedrigem Grad (langem Schwanz) verschlechtert; und (2) die Repräsentationen sind anfällig gegenüber verrauschten Interaktionen, da das Aggregationsverfahren über die Nachbarschaft die Wirkung beobachteter Kanten weiter verstärkt.In dieser Arbeit erforschen wir ein selbstüberwachtes Lernen auf Benutzer-Element-Graphen, um die Genauigkeit und Robustheit von GCNs für Empfehlungen zu verbessern. Der Ansatz besteht darin, die klassische überwachte Aufgabe der Empfehlung durch eine ergänzende selbstüberwachte Aufgabe zu ergänzen, die die Lernung von Knotenrepräsentationen durch Selbstunterscheidung stärkt. Konkret generieren wir mehrere Ansichten eines Knotens und maximieren die Übereinstimmung zwischen verschiedenen Ansichten desselben Knotens im Vergleich zu den Ansichten anderer Knoten. Wir entwickeln drei Operatoren zur Generierung dieser Ansichten – Knoten-Dropout, Kanten-Dropout und zufällige Wege –, die die Graphstruktur auf unterschiedliche Weise verändern. Wir bezeichnen dieses neue Lernparadigma als Selbstüberwachtes Graphen-Lernen (SGL) und implementieren es auf dem modernsten Modell LightGCN. Theoretische Analysen zeigen, dass SGL in der Lage ist, schwierige negative Beispiele automatisch zu identifizieren. Empirische Studien an drei Benchmark-Datensätzen belegen die Wirksamkeit von SGL: Es verbessert die Empfehlungsgenauigkeit, insbesondere bei langen-Schwanz-Elementen, und erhöht die Robustheit gegenüber Interaktionsrauschen. Unsere Implementierungen sind unter \url{https://github.com/wujcan/SGL} verfügbar.