多通道超图对比学习在矩阵补全中的应用

《ACM Transactions on Information Systems》：Multi-Channel Hypergraph Contrastive Learning for Matrix Completion

矩阵补全中数据稀疏和长尾分布问题，通过多通道超图对比学习捕捉高阶关联，结合注意力交叉视图聚合与跨评分子图对比，提升推荐系统性能。

　　

摘要

评分是用户对相关项目喜好的直接反馈，能够直观地反映用户对该项目的喜爱程度。评分矩阵补全本质上是一个评分预测过程，这也是推荐系统中的一个重要问题。近年来，图神经网络（GNN）在矩阵补全领域得到了广泛应用，通过将评分矩阵表示为二分图来捕捉用户对项目的偏好。然而，现有方法在面对现实世界数据中的稀疏性和长尾分布时存在局限性。此外，GNN的信息传递机制难以捕捉节点之间的高阶相关性及约束关系，而这些在推荐任务中至关重要。为了解决这些问题，我们提出了一种名为MHCL的多通道超图对比学习框架，用于矩阵补全。具体而言，MHCL能够自适应地学习超图结构以捕捉节点间的高阶相关性，并通过基于注意力的跨视图聚合方法同时捕获局部和全局的协同关系。为了考虑评分的幅度和顺序信息，我们将不同的评分子图视为不同的通道，促进相邻评分之间的对齐，并通过多通道跨评分对比学习实现评分之间的相互增强。在八个公开可用的真实世界数据集上的广泛实验表明，我们提出的方法显著优于当前的最先进方法。我们的模型源代码可在以下链接获取：https://github.com/lx970414/MHCL。