सिफारिश के लिए जनरेटिव-कॉन्ट्रास्टिव ग्राफ लर्निंग

उपयोगकर्ताओं की इंटरैक्शन को उपयोगकर्ता-आइटम ग्राफ के रूप में मानते हुए, ग्राफ लर्निंग मॉडल सहयोगात्मक फ़िल्टरिंग (CF) आधारित सिफारिश में व्यापक रूप से लागू किए गए हैं। हाल ही में, शोधकर्ताओं ने CF में ग्राफ कॉन्ट्रास्टिव लर्निंग (GCL) तकनीकों को पेश किया है ताकि कमजोर सुपरविजन की समस्या को हल किया जा सके, जो पहले डेटा ऑगमेंटेशन द्वारा कॉन्ट्रास्टिव दृश्य बनाती है और फिर कॉन्ट्रास्टिव दृश्य के बीच आपसी सूचना को अधिकतम करके आत्म-परिवर्तित संकेत प्रदान करती है। प्रभावशीलता के बावजूद, हम तर्क करते हैं कि वर्तमान GCL-आधारित सिफारिश मॉडल अभी भी सीमित हैं क्योंकि वर्तमान डेटा ऑगमेंटेशन तकनीकें, चाहे वो संरचना ऑगमेंटेशन हो या फीचर ऑगमेंटेशन। पहले, संरचना ऑगमेंटेशन यादृच्छिक रूप से नोड्स या एजेस को गिरा देता है, जो उपयोगकर्ता-आइटम ग्राफ की अंतर्निहित प्रकृति को नष्ट करना आसान है। दूसरे, फीचर ऑगमेंटेशन प्रत्येक नोड पर समान स्केल शोर ऑगमेंटेशन लागू करता है, जो ग्राफ पर नोड्स की अद्वितीय विशेषताओं की अनदेखी करता है।