【KDD2024】面向鲁棒推荐的决策边界感知图对比学习

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。