基于双重社会视角的增强对比学习方法在社交推荐中的应用

《IEEE Transactions on Computational Social Systems》：Dual Social View Enhanced Contrastive Learning for Social Recommendation

社交推荐系统通过结合用户社交信息提升推荐效果，但存在监督信号稀疏和噪声问题，以及忽视用户偏好与社交属性异质性等挑战。本文提出基于双社交视图对比学习的DSVC模型，通过一致性因子筛选抗噪用户并过滤无关社交关系，利用概率向量指导交互图增强，有效补充自监督信号并抑制噪声残留。实验表明DSVC在多个真实数据集上显著优于基线模型。

　　

摘要：

社会推荐（SocialRS）利用用户的社交信息来提升推荐性能，因此受到了越来越多的关注。图神经网络（GNNs）有助于将用户偏好和社交特征整合到SocialRS中。然而，现有技术面临两个挑战：1）现实世界社交网络中固有的稀疏监督信号和噪声问题；2）当前的社会推荐方法忽略了用户偏好和社交属性的异质性，这阻碍了从社交网络中提取与偏好相关的信息。受到社交增强和对比学习方法的启发，我们提出了一种基于双重社交视图对比学习的社会推荐模型DSVC。具体来说，为了解决第一个挑战，我们的模型推导出了用户在不同增强社交视图下的一致性因素，这些因素用于识别抗噪声的用户，并剔除与偏好无关的社交关系。为了解决第二个挑战，我们采用了由一致性因素生成的概率向量。这些向量指导交互图的跨视图增强过程，有助于补充社交自监督信号，并有效避免因无差别增强而保留的噪声。在三个不同的真实世界数据集上进行的基线模型比较实验、消融实验、参数调整实验和鲁棒性实验一致验证了我们的模型在提升推荐性能方面的有效性。

引言

如今，随着在线社交平台的普及[1]以及对探索个性化用户偏好的需求增加，社会推荐系统（SocialRS）的研究受到了广泛关注。先前的许多研究表明，人们更倾向于与具有相似偏好的人建立人际关系，这种现象被称为社交同质性[2]。同时，形成社交联系的个体之间有相互影响和同化的倾向，从而导致更相似的偏好，这被称为社交影响[3]。基于上述两种理论，SocialRS被开发出来，以有效利用用户端的隐式信息，缓解历史交互数据中的数据稀疏性和长尾现象。