Apprentissage contrastif supervisé amélioré par voisinage pour le filtrage collaboratif

Bien que les techniques de filtrage collaboratif (CF) soient efficaces dans les tâches de recommandation, elles sont confrontées au problème de la sparsité des données. Les chercheurs ont commencé à exploiter l’apprentissage contrastif afin d’introduire des signaux auto-supervisés supplémentaires pour atténuer ce défaut. Toutefois, cette approche a souvent pour effet involontaire d’éloigner le nœud cible (utilisateur ou article) de ses voisins collaboratifs, ce qui limite son efficacité. À cet égard, nous proposons une solution qui considère les voisins collaboratifs du nœud d’ancrage comme des exemples positifs dans la fonction de perte objective finale. Ce travail se concentre sur le développement de deux fonctions de perte contrastive supervisée originales, capables de combiner efficacement les signaux de supervision avec la perte contrastive. Nous analysons nos fonctions de perte proposées à travers une perspective de gradient, démontrant que différents exemples positifs influencent simultanément la mise à jour des embeddings du nœud d’ancrage. L’impact de ces exemples dépend de leur similarité par rapport au nœud d’ancrage ainsi que par rapport aux exemples négatifs. En adoptant le modèle de filtrage collaboratif basé sur les graphes comme architecture principale et en suivant les mêmes méthodes d’augmentation de données que le modèle d’apprentissage contrastif existant SGL, nous améliorons efficacement les performances du modèle de recommandation. Notre modèle proposé, le Neighborhood-Enhanced Supervised Contrastive Loss (NESCL), remplace la fonction de perte contrastive de SGL par notre nouvelle fonction de perte, entraînant une amélioration notable des performances. Sur trois jeux de données réels — Yelp2018, Gowalla et Amazon-Book — notre modèle dépasse l’original SGL respectivement de 10,09 %, 7,09 % et 35,36 % en termes de NDCG@20.