GNNCL: Um Modelo de Recomendação Baseado em Rede Neural de Grafos com Aprendizado Contrastivo

Resumo No campo dos algoritmos de recomendação, o aprendizado de representação para usuários e itens evoluiu de usar IDs únicos ou interações históricas para utilizar vizinhos de ordem superior. Isso pode ser conseguido modelando o gráfico de interação usuário-item para capturar as preferências dos usuários em relação aos itens. Apesar dos resultados promissores alcançados por esses algoritmos, eles ainda sofrem do problema da escassez de dados. Para mitigar o impacto da escassez de dados, o aprendizado contrastivo foi adotado no filtragem colaborativa em grafos para melhorar o desempenho. No entanto, os algoritmos de recomendação atuais que usam aprendizado contrastivo geram representações desiguais após a ampliação de dados e não consideram os relacionamentos potenciais entre usuários (ou itens). Para abordar esses desafios, propomos um modelo de recomendação baseado em rede neural de grafos que integra aprendizado contrastivo (GNNCL). Este modelo combina a ampliação de dados com ruído adicionado e a exploração de vizinhos semânticos para nós. Para os vizinhos estruturais no gráfico de interação, introduzimos uma abordagem nova e simples de aprendizado contrastivo, abandonando métodos anteriores de ampliação de grafos e introduzindo ruído uniforme no espaço de incorporação para criar visões contrastivas. Para descobrir relacionamentos potenciais de vizinhos semânticos no espaço semântico, assumimos que usuários com representações semelhantes possuem relacionamentos de vizinhos semânticos e mesclamos esses vizinhos semânticos no aprendizado contrastivo prototípico. Utilizamos um algoritmo de agrupamento para obter protótipos para usuários e itens e empregamos o algoritmo EM para o aprendizado contrastivo prototípico. Resultados experimentais validam a eficácia da nossa abordagem. Em particular, nos conjuntos de dados Yelp2018 e Amazon-book, nosso método apresenta melhorias significativas de desempenho em comparação com modelos básicos de filtragem colaborativa em grafos.