Nachbarschaftsverstärkte überwachte kontrastive Lernmethode für die Zusammenarbeitssignalverarbeitung

Obwohl kollaborative Filterung (CF) Techniken in Empfehlungsaufgaben effektiv sind, stehen sie vor der Herausforderung der Datensparsamkeit. Forscher haben begonnen, Kontrastive Lernverfahren einzusetzen, um zusätzliche selbstüberwachte Signale einzuführen, um diesem Problem entgegenzuwirken. Allerdings führt dieser Ansatz häufig unbeabsichtigt dazu, dass der Zielbenutzer bzw. das Zielobjekt von seinen kollaborativen Nachbarn abgekoppelt wird, was dessen Wirksamkeit einschränkt. Daraufhin schlagen wir eine Lösung vor, bei der die kollaborativen Nachbarn des Anchor-Elements innerhalb der finalen Verlustfunktion als positive Beispiele behandelt werden. In dieser Arbeit entwickeln wir zwei einzigartige überwachte kontrastive Verlustfunktionen, die Supervisionsignale effektiv mit kontrastiven Verlusten kombinieren. Wir analysieren unsere vorgeschlagenen Verlustfunktionen unter dem Blickwinkel der Gradienten und zeigen, dass verschiedene positive Beispiele gleichzeitig die Aktualisierung der Embeddings des Anchor-Elements beeinflussen. Der Einfluss dieser Beispiele hängt von ihrer Ähnlichkeit zum Anchor-Element sowie von den negativen Beispielen ab. Unter Verwendung des graphenbasierten kollaborativen Filterungsmodells als Backbone und unter Anwendung derselben Datenverstärkungsmethoden wie das bestehende kontrastive Lernmodell SGL, verbessern wir die Leistung des Empfehlungssystems signifikant. Unser vorgeschlagenes Neighborhood-Enhanced Supervised Contrastive Loss (NESCL)-Modell ersetzt die kontrastive Verlustfunktion in SGL durch unsere neuartige Verlustfunktion und zeigt eine deutliche Leistungssteigerung. Auf drei realen Datensätzen – Yelp2018, Gowalla und Amazon-Book – übertrifft unser Modell das ursprüngliche SGL um 10,09 %, 7,09 % und 35,36 % hinsichtlich NDCG@20.