基于理据发现的图自监督推荐系统.pdfVIP

摘要

随着大数据时代的到来，推荐系统因其能够在海量的数据中挖掘用户的喜好，缓解

数据过载问题而逐渐在各个领域中起到愈发重要的作用。图神经网络的方法因为其能够

很好地建模和捕获用户商品的高阶关系，而得到诸多关注。自监督方法同时被引入进来

以缓解推荐系统固有的数据稀疏性问题。尽管现有的方法在推荐性能上已经有了很大的

提升，但大多数的方法严重依赖于高质量的用户交互数据，而现实的推荐场景中往往是

掺杂了各种各样的交互噪音。另一方面，目前的自监督方法大多尝试通过最大化互信息

的方式来完成正样本表征的一致性和负样本分布的差异性，然而，盲目进行数据增强有

可能导致重要监督信号的缺失，而人工设计的自监督增强方法往往受限于模型的设计方

案且不可避免的带有人工噪声信息，这妨碍了模型效果的进一步提升。究竟什么样的监

督信号在数据增强的过程中是应该保留且作适应性的增强以提升推荐系统的表达能力

呢？这依然是一个悬而未决的有待研究的重要问题。

总体来说，目前的推荐系统存在三个重要的挑战：（1）现有的自监督图神经网络

方法采用固定的数据增强方案，难以适应性的捕获高质量的监督信号。（2）推荐系统

的现实场景中具有诸多噪声信息，而现有的方法中往往缺乏适应性的抵抗噪声影响的手

段。（3）监督信号增强方法尽管已经取得了很好的效果，其原理却缺乏一个很好的解

释。

为了解决上述三个挑战，本文提出了一种基于理据启发子图发掘的推荐模型，本模

型能够适应性的提取在不同业务场景下的用户商品重要的交互关系，并在此基础上进行

高质量监督信号的适应性增强。主要分为三个方面：（1）基于图神经网络的方法和高

2

阶采样的全局信息捕获方法来获取具有丰富上下文信息的用户商品表征。（）通过理

据子图发掘模块的设计以适应性的根据不同的业务场景来捕获重要的用户商品交互关系，

3

并做监督信号的适应性增强。（）为了提升模型的鲁棒性，设计了噪声抵抗模块，通

过最小化图推荐结果和补图的相似性以降低噪声对于推荐结果的干扰。最后，在五个公

开的真实数据集上将本文设计的模型和相关的前沿方法进行实验比较，验证了模型的可

行和有效性。

关键词：推荐系统；图神经网络；自监督

I

Abstract

Withtheadventofbigdataera,recommendationsystemshaveincreasinglyplayerpivotal

rolesacrossvariousdomainsduetotheirproficiencyinmininguserpreferencesfromvast

datasets,therebymitigatingdataoverloadissues.Graphneuralnetworkshavedemonstrated

remarkableperformanceinthiscontext,astheyexcelatmodelingnetwork-basedinteractions

andcapturinghigher-orderinformation.Concurrently,self-supervisedlearningmethodshave

beenintroducedtoaddresstheinherentdatasparsitychallengesinrecommendationsystems.

Despitesignificantadvancementsinrecommendationperformance,themajorityofexisting

approachesheavilyrelyonhigh-qualityuserinteractiondata.However,real-world

recommendationscenariosofteninvolveasignificantamountofnoise,whichcanaffe