RGCL框架通过图对比学习提高推荐系统鲁棒性，对比视图生成动态适应。
原文标题：【KDD2024】面向鲁棒推荐的决策边界感知图对比学习
原文作者：数据派THU
冷月清谈：
本文介绍了一种新型基于图对比学习（GCL）的推荐框架RGCL，旨在解决传统模型在构建对比视图中所面临的语义不变性与视图难度之间的平衡问题。近年来，随着数据稀疏性对推荐结果的影响日益显著，GCL在推荐系统中的应用受到广泛关注。RGCL通过引入决策边界感知的对抗扰动，限制了对比增强视图的探索空间，进而提高了模型的鲁棒性。除此之外，RGCL还设计了一种关系感知的视图生成器，以便在生成对比视图时引入用户和物品之间的协作关系。同时，该框架采用最大扰动的对抗样本来实现边距最大化，从而提高模型的整体性能。实验结果显示，RGCL在五个公开数据集上的表现超越了十二个基线模型，从理论上证明其有效性。
怜星夜思：
1、图对比学习在推荐系统中的优势是什么？
2、如何评估推荐系统的鲁棒性？
3、决策边界感知对比学习的实际应用场景有哪些？
2、如何评估推荐系统的鲁棒性？
3、决策边界感知对比学习的实际应用场景有哪些？
原文内容
来源：专知本文为论文介绍，建议阅读5分钟
我们提出了一种新的基于GCL的推荐框架RGCL，该框架能够有效地保持对比对的语义不变性，并随着模型能力的演变在训练过程中动态适应。
近年来，图对比学习（Graph Contrastive Learning, GCL）在推荐系统中受到越来越多的关注，因为它在减小数据稀疏性导致的偏差方面表现出了高效性。然而，大多数现有的GCL模型依赖于启发式方法，并且在构建对比视图时通常假设实体独立性。我们认为，这些方法在动态训练过程中难以在语义不变性和视图难度之间取得平衡，而这两者都是图对比学习中的关键因素。为了解决上述问题，我们提出了一种新的基于GCL的推荐框架RGCL，该框架能够有效地保持对比对的语义不变性，并随着模型能力的演变在训练过程中动态适应。具体而言，RGCL首先引入了决策边界感知的对抗扰动，以约束对比增强视图的探索空间，避免任务特定信息的减少。此外，为了在生成困难对比视图时引入全局的用户-用户和物品-物品协作关系，我们提出了一种对抗对比学习目标，以构建一个关系感知的视图生成器。此外，考虑到无监督GCL可能会缩小数据点与决策边界之间的边距，从而降低模型的鲁棒性，我们引入了基于最大扰动的对抗样本，以实现边距最大化。我们还提供了对我们设计有效性的理论分析。通过在五个公开数据集上的大量实验，我们证明了RGCL相比于十二个基线模型的优越性。
