Apprentissage graphique auto-supervisé pour la recommandation

L'apprentissage des représentations sur les graphes utilisateur-élément pour la recommandation a évolué de l'utilisation de simples identifiants ou d'historiques d'interactions vers l'exploitation des voisins d'ordre supérieur. Cette évolution a permis le succès des réseaux de convolution de graphes (GCN) en recommandation, tels que PinSage et LightGCN. Malgré leur efficacité, nous affirmons qu'ils souffrent de deux limitations : (1) les nœuds à degré élevé exercent une influence plus forte sur l'apprentissage des représentations, ce qui détériore la qualité des recommandations pour les éléments à faible degré (éléments de longue traîne) ; et (2) les représentations sont vulnérables aux interactions bruitées, car le mécanisme d'agrégation des voisins amplifie davantage l'impact des arêtes observées.Dans ce travail, nous explorons l'apprentissage auto-supervisé sur les graphes utilisateur-élément afin d'améliorer la précision et la robustesse des GCN pour la recommandation. L'idée consiste à compléter la tâche supervisée classique de recommandation par une tâche auxiliaire auto-supervisée, qui renforce l'apprentissage des représentations de nœuds via une discrimination auto-référentielle. Plus précisément, nous générons plusieurs vues d'un même nœud, en maximisant l'accord entre les différentes vues du même nœud par rapport à celles des autres nœuds. Nous proposons trois opérateurs pour générer ces vues : suppression de nœuds, suppression d'arêtes et marche aléatoire, chacun modifiant la structure du graphe de manière différente. Nous désignons ce nouveau paradigme d'apprentissage par Apprentissage Auto-supervisé sur les Graphes (SGL), que nous mettons en œuvre sur le modèle d'état de l'art LightGCN. Des analyses théoriques montrent que SGL possède la capacité d'extraire automatiquement des négatifs difficiles. Des études empiriques sur trois jeux de données standards démontrent l'efficacité de SGL, qui améliore la précision de la recommandation, en particulier pour les éléments de longue traîne, ainsi que la robustesse face aux bruits dans les interactions. Nos implémentations sont disponibles à l'adresse suivante : \url{https://github.com/wujcan/SGL}.