本文主要是介绍Self-supervised Graph Learning for Recommendation 详解，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
目录
摘要
引言
预备知识
方法
3.1 图结构数据增强
3.2 对比学习
3.3 多任务学习
3.4 理论分析
摘要
基于用户-物品图的推荐表示学习已经从使用单一 ID 或交互历史发展到利用高阶邻居。这导致了图卷积网络(GCNs)在推荐方面的成功，如 PinSage 和 LightGCN。尽管具有有效性，但我们认为它们存在两个局限性：(1)高阶节点对表示学习的影响更大，使低阶(长尾)项目的推荐恶化;(2)由于邻域聚集方案进一步扩大了观测边缘的影响，表征容易受到噪声相互作用的影响。
在这项工作中，我们探索了用户项图的自监督学习，以提高GCNs推荐的准确性和鲁棒性。其思想是用一个辅助的自监督任务来补充经典的推荐监督任务，通过自我区分来加强节点表示学习。具体来说，我们生成一个节点的多个视图，最大限度地提高同一节点的不同视图与其他节点的一致性。我们设计了三个操作符来生成视图——节点丢弃、边丢弃和随机游走——它们以不同的方式改变图的结构。我们将这种新的学习范式称为自监督图学习(SGL)，并在最先进的LightGCN模型上实现它。通过理论分析，我们发现SGL具有自动挖掘难负样本的能力。在三个基准数据集上的实证研究证明了SGL的有效性，它提高了推荐的准确性，特别是在长尾项目上，以及对交互噪声的鲁棒性。我们的实现可以在https://github.com/wujcan/SGL上获得。
总结：使用节点丢弃、边丢弃和随机游走三种策略改变图结构，使用辅助的自监督任务训练以增强节点表示，进而增强推荐效果。最终表明，该方法在长尾项目上，以及应对交互噪声上，有良好的表现。
引言
基于用户-物品二部图推荐的表征表示学习已经从使用单一ID或交互历史演变到利用高阶邻居学习。基于这个思想，图卷积网络（graph convolution networks，GCNs）在推荐系统中取得了巨大成功。例如PinSage，LightGCN。尽管基于GCN的方法取到了不错的效果，但我们认为这些方法仍然受到了一些限制：
- 监督信号稀疏（数据稀疏）：目前大多数推荐学习任务都是基于监督学习的范式，其中监督信号一般指用户和物品的交互数据。然而这些交互数据通常来说是异常稀疏的，不足以学习高质量的表征。
- 倾斜的数据分布（幂律分布）：推荐系统的交互数据通常呈现幂律分布，其中长尾部分low-degree的物品节点缺乏监督信号。然而，high-degree的物品节点在邻居聚合和监督学习损失中占据了主导地位，对表征学习影响更大。因此，基于GCNs的方法倾斜于high-degree物品节点，牺牲了low-degree物品推荐的性能。
- 交互噪音：用户提供的交互大多数是隐式的（clicks，views），而不是显式的（ratings，likes，dislikes）。因此，收集到的交互通常包含噪声，如用户误点击了一个物品。而GCNs中的邻居聚合操作则会加大这些交互噪音的影响，使得模型训练更容易受到交互噪音的影响。
本文意在探索自监督学习（Self-supervised Learning, SSL）在用户-物品二部图上的应用，辅助推荐模型训练学习，应用self-discrimination来学习更加鲁棒的节点表征。具体来说，通过基于图结构的数据增强来生成一个节点的多个视图，最大化同一节点不同视图间（正样本对）的一致性（agreement）以及最小化不同节点视图间（负样本对）的一致性。本文设计了三张数据增强操作 —— node dropout, edge dropout, and random walk，并将这种新的学习范式称为Self-supervised Graph Learning（SGL）自监督图学习。下面章节将会具体介绍SGL。
总结：在该段提出了使用GCN来做推荐的三个问题，分别是数据稀疏问题、长尾问题、交互噪音影响节点表示问题，并提出了解决策略。
预备知识
总结：该部分讲了 GCN 如何用在推荐上，如何学习节点的表示。以及讲解了监督学习的 loss 使用的是 BPR loss。
方法
本节将定义自监督图学习（Self-supervise Graph Learning, SGL）范式，作为监督学习任务的补充，实验证明非常有效。图1展示了SGL的流程，简单来说，自监督学习任务从输入数据之间的关联构建监督信号。
下面，我将介绍如何对图结构进行数据增强生成多个视图，然后基于生成的表征进行对比学习来建立自监督学习（Self-supervised Learning, SSL）任务，之后SSL与基于GCN的方法结合进行多任务学习，随后，我将从梯度的角度对SSL进行理论分析，解析SSL与难负样本挖掘的关联，最后我将简单分析一下模型时间复杂度。
3.1 图结构数据增强
使用节点丢失（对节点有概率的丢失）、边丢失（对边有概率的丢失）和随机游走
3.2 对比学习
总结：对比学习的学习目标是将同一节点不同视图学习一致性，不同节点不同视图强化差异性。
3.3 多任务学习
3.4 理论分析
为什么 SGL 的效果好？
因为 SGL 具有挖掘难负样本的能力，难负样本对梯度下降进行了有效的指导。
实验（待补充）
结论（待补充）
这篇关于Self-supervised Graph Learning for Recommendation 详解的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
