Hacia la mitigación del colapso dimensional de las representaciones en el filtrado colaborativo

El Aprendizaje Contrastivo (CL) ha mostrado un rendimiento prometedor en el filtrado colaborativo. La idea clave es generar embeddings invariantes a la augmentación maximizando la Información Mutual entre diferentes vistas aumentadas de la misma instancia. Sin embargo, observamos empíricamente que los modelos CL existentes sufren del problema de colapso dimensional, donde los embeddings de usuarios/productos solo abarcan un subespacio de baja dimensión del espacio de características completo. Esto suprime otra información dimensional y debilita la capacidad de diferenciación de los embeddings. Aquí proponemos un objetivo de aprendizaje no contrastivo, denominado nCL, que mitiga explícitamente el colapso dimensional de las representaciones en el filtrado colaborativo. Nuestro nCL busca lograr propiedades geométricas de Alineación y Compacidad en el espacio de embeddings. En particular, la alineación intenta unir las representaciones de pares de usuarios-productos relacionados positivamente, mientras que la compacidad tiende a encontrar la longitud de codificación óptima de los embeddings de usuarios/productos, sujeto a una determinada distorsión. Más importante aún, nuestro nCL no requiere aumento de datos ni muestreo negativo durante el entrenamiento, lo que lo hace escalable a grandes conjuntos de datos. Los resultados experimentales demuestran la superioridad de nuestro nCL.