【WWW2024】RecDCL: 双重对比学习用于推荐

自监督推荐（SSR）在近年来在协同过滤中挖掘潜在的交互行为方面取得了巨大成功。作为一个主要分支，基于对比学习（CL）的SSR通过对比原始数据和增强数据之间的嵌入来克服网络平台中的数据稀疏性。然而，现有基于CL的SSR方法大多专注于批量方式的对比，未能利用特征维度中的潜在规律，导致在从网站上学习用户（项目）表征的过程中出现冗余解决方案。此外，同时利用批量对比学习（BCL）和特征对比学习（FCL）进行推荐的联合优势仍未被充分探索。为了解决这些问题，我们研究了BCL和FCL目标之间的关系。我们的研究表明，从理论和实验角度来看，采用这两种方法都有合作效益**。基于这些见解，我们提出了一种用于推荐的双重CL方法，称为RecDCL**。RecDCL首先以特征方式消除用户-项目正对中的冗余解决方案。然后，它使用多项式核从FCL视角优化用户和项目内的均匀分布。最后，它在批量目标中生成对比嵌入。我们在四个广泛使用的基准和一个工业数据集上进行了实验。结果一致表明，提出的RecDCL超越了最先进的基于GNN和基于SSL的模型（在召回率@20方面高达5.65%的提升），从而确认了联合目标的有效性。本文使用的所有源代码均可公开获取。