Disentangled Contrastive Collaborative Filtering 论文阅读笔记

Abstract

存在的问题：

• 大多数现有的基于gcl的CF模型仍然受到限制，因为忽略了用户-项目交互行为往往是由各种潜在意图因素驱动的（例如，为了家庭聚会购物，首选颜色或产品品牌）
• 引入的非自适应增强技术容易受到噪声信息的影响，这引起了人们对模型的鲁棒性和合并误导性自我监督信号的风险的关注。

解决方法：

我们提出了一种解耦对比协同过滤框架（DCCF）来实现一种自适应的自监督增强的意图解耦。通过全局背景学习解耦表示，我们的DCCF不仅能够从纠缠的自监督信号中提取更细粒度的潜在因素，而且可以减轻增强诱导的噪声。最后，引入了交叉视图对比学习任务，利用参数化交互掩模生成器实现自适应增强。

Introduction

详细介绍存在的问题：

​ 第一：由于偏好的多样性，用户-项目交互背后的潜在因素是高度纠缠的，从而导致了次优的增强诱导的用户表示。在现实应用中，用户项目交互的形成是由许多意图因素驱动的，例如为家庭聚会购买产品或被某些服装特征所吸引。然而，在当前基于gcl的推荐方法中，学习到的用户偏好与编码的不变表示纠缠在一起，这使得很难捕获用户和项目之间更细粒度的交互模式。这阻碍了推荐者捕获真正的用户偏好和提供准确的意图感知的自我监督的能力。因此，迫切需要一种新的生成解耦对比信号的信息增强方法。

​ 第二：老生常谈的数据噪声问题。在对比增强框架下，如果节点或边SSL信号的重要性没有区分，方法可以很容易地通过补充来自噪声节点的自监督信号来产生偏差，例如，用户有许多错误点击行为或高度符合流行偏差

​ 在本文中，我们提出了一种新的基于分离对比学习的协同滤波模型，称为DCCF，以解决现有方法的局限性。具体来说，我们的模型通过考虑用户和项目之间的全局依赖关系来编码多意图表示。我们通过设计补丁级节点和全局级意图原型之间的意图信息传递和聚合来实现这一点。我们的目标是识别重要的图结构信息，以捕获准确和有用的环境不变模式的意图解耦。这样，我们就可以防止具有严重噪声信号的自监督信息的蒸馏。为了实现我们的目标，我们创建了参数化的边掩码生成器，它捕获了用户和项目之间的隐式关系，并注入了具有意图感知能力的全局依赖关系。因此，图结构掩模可以自然地捕获每个交互的重要性，以实现对比增强，这是自适应用户-项目关系的。

​ 本文的主要贡献如下：

• 在这项工作中，我们研究了在一个更具挑战性的但实际的场景下的推荐系统的泛化问题：将图对比学习适应于意图纠缠与自监督噪声的协同滤波。
• 我们开发了一个名为DCCF的新推荐模型，具有参数化掩码生成器，自适应在全局上下文增强的解耦GNN架构上构建。这提高了推荐器的鲁棒性和泛化能力。

Method

模型的整体框架如下：

解耦意图表示

建模潜在的意图因素

​ 我们的模型旨在预测候选用户在其观察到的交互作用下采用一个项目的可能性。从概率的角度来看，我们的预测模型旨在估计用户