Disentangled Contrastive Learning for Social Recommendation论文阅读笔记

Abstract

存在的问题：大多数社会推荐模型统一了用户对用户-项目交互（协作领域）和社会关系（社会领域）的表示。然而，这种方法可能无法在两个领域中建模用户的异构行为模式，从而损害了用户表示的表达性。

解决方法：我们提出了一个新的解耦对比学习框架的社会推荐（DcRec）。更具体地说，我们建议从项目和社交领域学习解耦用户的表征。此外，解耦对比学习被设计用于在解耦用户的社会推荐表征之间进行知识转移。

Introduction

​ 在社交推荐中，用户在每个领域（即协作领域和社交领域）的中与不同的目标（即物品和社交朋友）进行交互，并具有不同的目的。因此，在两个域中的用户的行为模式可能是异构的。在真实场景中，用户倾向于与其朋友的朋友建立联系，但他/她不太可能在短时间内购买具有类似功能的物品。然而，对用户偏好进行建模的现成方式采用了统一的用户对用户-项目交互和用户-用户社会关系的表示。它们不足以模拟用户对社交朋友和社交推荐项目的异构行为模式。

​ 为了解决这个问题，我们建议将用户行为分解为两个领域，以便学习分解用户在社会推荐中的表现。主要的挑战是如何在两个领域学习知识，同时将知识从社会领域转移到协作领域进行社会推荐。

​ 我们开发了一个新的基于对比学习的框架来解决上述问题。更具体地说，引入领域分离，将用户的行为分离为协作领域和社会领域。此外，我们提出了解耦对比学习目标，通过最大化解耦表示之间的互信息，将知识从社会领域转移到协作领域。值得注意的是，当DGCL 提出了一种隐式解耦对比学习方法来捕获图的多个方面时，我们明确地从不同的领域分离数据，并基于独立的邻接矩阵传播节点的表示。

​ 本文的主要贡献可以总结为：

• 我们引入了一种的方法来学习用户的表示，其中可以学习解开用户的表示，以反映他们在两个领域的项目和社交朋友的偏好。
• 我们提出了一种新的社会推荐的解耦对比学习框架（DcRec），该框架可以利用对比学习的力量将知识从社会领域转移到协作领域

Method

本文的模型示意图如下：

​ 在这项工作中，我们提出了一个社会推荐的解耦对比学习框架（DcRec），该框架遵循自我监督对比学习的一般范式，通过最大化不同观点在同一实例上的表示一致性。

​ 该架构由三个主要部分组成：

• 域分离，将输入数据分解为两个子域；
• 编码器，在两个域上使用不同的编码器从两种不同的角度学习表示；
• 解耦对比学习，通过联合优化解耦对比学习任务和主要推荐任务，将知识从社会领域转移到推荐建模任务中。

域分离

​ 为了减轻社会领域和协作领域之间语义差异的影响，我们将输入数据分解为两个域，分别由协作域的用户-项目交互矩阵A