异构自适应偏好学习在推荐系统中的应用

《ACM Transactions on Recommender Systems》：Heterogeneous Adaptive Preference Learning for Recommendation

本文提出基于异构图的对比学习推荐模型HAPLRec，通过构建用户和物品的关系图，结合细粒度偏好信息进行数据增强，并设计动态权重优化的梯度相似算法，有效缓解数据稀疏问题，实验验证其在三个数据集上的性能优势。

　　

摘要

基于图的协同过滤技术作为一种有前景的推荐方法应运而生，它通过将用户与物品的交互关系建模为图结构来实现推荐。最近，对比学习被应用于图协同过滤中，并通过数据增强来提高数据利用效率并降低标注成本。然而，大多数现有的对比学习方法忽略了与用户和物品相关的异构辅助信息（如用户的社会关系和物品类别），而这些信息对于缓解数据稀疏问题至关重要。在本文中，我们提出了一种新颖的对比学习方法，称为异构自适应偏好学习用于推荐（HAPLRec），该方法明确地结合了来自用户和物品的细粒度偏好信息。具体而言，我们根据异构图中的特定元路径构建用户关系图和物品关系图，然后分别对这些图进行数据增强以生成辅助对比任务。此外，我们引入了一种优化算法，该算法利用主任务与辅助任务之间的梯度相似性，动态调整分配给每个任务的权重，从而在更短的时间内实现更优的性能。通过在三个公开可用的数据集上进行的广泛实验，验证了所提出模型的有效性。