简读分享 | 王豫 编辑 | 陈兴民
论文题目
Enhancing Sequential Recommendation with Graph Contrastive Learning
论文摘要
顺序推荐系统捕捉用户的动态行为模式，预测用户的下一次交互行为。现有的大多数顺序推荐方法仅利用单个交互序列的局部上下文信息，仅根据项目预测损失学习模型参数。因此，他们通常无法学习适当的序列表示。本文提出了一种新的推荐框架，即序列推荐的图对比学习(GCL4SR)。具体而言，GCL4SR采用基于所有用户交互序列构建的加权项转换图(WITG)，为每个交互提供全局上下文信息，并弱化序列数据中的噪声信息。此外，GCL4SR使用WITG的子图来增强每个交互序列的表示。提出了两个辅助学习目标，以最大限度地提高WITG上由相同交互序列引起的增强表示之间的一致性，并最大限度地减小WITG上由全局上下文增强表示与原始序列局部表示之间的差异。在真实数据集上的大量实验表明，GCL4SR始终优于最先进的顺序推荐方法。
论文链接
https://www.ijcai.org/proceedings/2022/0333.pdf
