Aprendizaje Contrastivo de Grafos para Optimizar Datos Escasos en Sistemas de Recomendación con LightGCL

Las Redes Neuronales de Grafos (GNN) son herramientas poderosas para sistemas de recomendación, pero a menudo enfrentan dificultades debido a la escasez de datos y al ruido. Para abordar estos problemas, implementamos LightGCL, un modelo de aprendizaje contrastivo de grafos que utiliza Descomposición en Valores Singulares (SVD) para una robusta augmentación de grafos, preservando la integridad semántica sin depender de perturbaciones estocásticas o heurísticas. LightGCL permite el refinamiento estructural y captura señales colaborativas globales, logrando ganancias significativas sobre modelos de vanguardia en conjuntos de datos de referencia. Nuestros experimentos también demuestran una mejora en la equidad y una mayor resistencia al sesgo de popularidad, lo que lo hace adecuado para sistemas de recomendación en el mundo real.