SimGCL论文阅读笔记

​ 本篇文章主要讲述了图增强虽然有效果，但是起到的作用很小，然后提出了基于添加均匀的噪声来创建对比视图。这样准确性和效率都会优于原来的方法

1.引言部分

​ 尽管现在基于结构扰动的图增强具有着很不错的效果，但是性能提升的原因还是不清楚，并且有研究发现，即使非常稀疏的图增强(dropout rate达到了0.9)也会带来很可观的性能提高，因为巨大的dropout rate会导致原始信息的巨大损失和高度倾斜的图结构

​ 然后该论文做了没有图增强的实验来进行性能比较，实验结果表明，没有图增强时，性能也有着与图增强相似的效果，之后经过研究，该论文发现对推荐性能提高真正重要的是CL的损失，而不是图增强。优化对比损失InfoNCE能够学习更加均匀的用户/项目表示，这对减轻popular bias上起到了重要的作用。但是图增强并不是完全无用的，因为原始图的适当扰动有助于学习对干扰因子不变的表示

​ 于是，该论文提出了一个方法，放弃了图增强，而是在原始表示中添加随机均匀的噪声来进行数据增强，该方法可以平滑的调节均匀性，并且实现起来比较容易

2.推荐中的图对比学习调查

​ 作者使用了四种方法来进行性能的对比，在不使用图增强的的情况下，性能甚至好于使用了ND或RW的图增强的方法，可能的原因是这两个方法可能会丢弃关键的节点或边，极大的扭曲了原始的图，这种情况下图的增强几乎没有什么可学习的不变性，而鼓励他们的一致性可能会产生负面影响

​ 其余研究发现，优化对比损失强化了两个特征，正对特征的对齐以及单位超球面上归一化特征分布的一致性。然后作者使用t-SNE可视化几种方法学习到的embedding，结果发现，LightGCN会显示出高度聚集的特征，而其余的SGL的变体方法学习到的分布会均匀很多

之后作者通过对损失函数的梯度的分析，来解释了为什么会出现这种状况，BPRloss的损失函数的梯度为

\(\bigtriangledown_{e_u} -\eta(1-s)(e_i-e_j)\)

\(s=\sigma(e_u^Te_i-e_u^Te_j)\)

当i是一个很流行的项目时，用户的embedding将不断更新到i的方向。消息传递机制进一步加剧了聚合问题并且会导致表示退化

而CL的损失函数为

优化CL的损失函数实际上就是最小化不同节点的嵌入之间的余弦相似性，从而导致更加均匀的分布

经过分析，作者得出了一个结论，分布的均匀性是对SGL的推荐性能有决定性影响的关键因素，而不是图增强。因为一个更均匀的表示分布可以保持节点的内在特征，提高泛化能力。

但是还需要注意，仅通过最小化CL损失将会获得较差的性能，这就意味着均匀性和性能之间的正相关只在一定范围内保持，对一致性的过度追求会忽略交互对之间的紧密型和相似的用户/项目之间的紧密型，从而会损害推荐的效果

3. SimGCL结构详解

作者提出的简单的数据增强的方式如下：

\(e'_i=e_i+\bigtriangleup'_i,e''=e_i+\bigtriangleup''_i\)

需要满足的条件为

• $|\bigtriangleup|_2=\epsilon $
• \(\bigtriangleup=\bar{ \bigtriangleup}\odot sign(e_i)\)

其中，$\bar{ \bigtriangleup}\in\mathbb{R}^d\sim U(0,1) $

其中第一个约束控制了噪声的粒度，等价于以\(\epsilon\)为半径的超球面上的向量。半径越小，噪声的粒度越小，第二个约束时噪声向量和原始表征位于同一超象限，避免添加噪声造成过大的语义偏离。所以通过添加噪声，可以看作是使得原始的表征向量在空间中旋转了两个小角度，这样既能保留大部分的语义信息，又能带来语义上的不同

​