基于对比学习的社交推荐系统研究综述.docVIP

基于对比学习的社交推荐系统研究综述

对比学习作为自监督学习的核心范式之一，通过构造正负样本对并最大化同类样本表征相似度、最小化异类样本表征距离，为缓解社交推荐系统的数据稀疏、冷启动、噪声扰动等核心痛点提供了全新的技术路径。近年来，该领域的研究成果呈现爆发式增长，技术框架逐步从单一表征对比向多维度信息融合、动态关系建模、鲁棒性提升等方向演进，已成为社交推荐领域最具潜力的研究方向之一。

对比学习在社交推荐中的基础范式

传统社交推荐系统高度依赖用户-物品交互标签与社交关系标签的监督信号训练模型，当交互数据稀疏或社交关系存在噪声时，模型表征能力会出现显著下降。对比学习范式的引入，本质上是通过无监督的数据增强方式挖掘数据自身的结构信息，为模型提供额外的自监督信号，从而降低对标注数据的依赖。当前主流的基础范式主要分为三类：

1.单视图自增强对比范式

该范式针对用户或物品的单一特征空间构造对比损失，核心思路是对同一原始样本进行不同方式的数据增强，生成多个视图作为正样本对，其他样本作为负样本，通过损失函数约束同一样本不同视图的表征趋于一致。在用户特征视图增强方面，常用方法包括对用户交互序列进行随机掩码、子序列采样、顺序扰动等操作。例如有研究提出对用户的历史交互列表随机遮挡15%的物品，或保留原序列长度的60%-80%作为子序列，将原始序列与增强序列的表征作为正样本对进行对比学习，有效提升了用户长