摘要

在推荐系统中，基于用户-物品图的表示学习已从单一ID或交互历史的使用，演进至利用高阶邻居信息。这一演进推动了图卷积网络（GCNs）在推荐领域的成功应用，如PinSage和LightGCN等模型。然而，尽管这些方法效果显著，我们指出它们仍存在两大局限性：（1）度数较高的节点在表示学习过程中具有过大的影响力，导致低度数（长尾）物品的推荐性能下降；（2）表示对噪声交互较为敏感，因为邻域聚合机制会进一步放大观测边的影响。在本工作中，我们探索在用户-物品图上引入自监督学习，以提升GCN在推荐任务中的准确性和鲁棒性。其核心思想是，在传统的监督式推荐任务之外，引入一个辅助的自监督任务，通过自判别（self-discrimination）机制强化节点表示的学习。具体而言，我们为同一节点生成多个视图（view），并最大化同一节点不同视图之间的一致性，同时最小化与其他节点视图的一致性。为此，我们设计了三种图结构变换操作来生成视图：节点丢弃（node dropout）、边丢弃（edge dropout）和随机游走（random walk），它们以不同方式改变图的结构。我们将这一新型学习范式称为自监督图学习（Self-supervised Graph Learning, SGL），并将其应用于当前最先进的模型LightGCN。通过理论分析，我们发现SGL具备自动挖掘困难负样本（hard negatives）的能力。在三个基准数据集上的实证研究结果表明，SGL显著提升了推荐准确率，尤其在长尾物品的推荐上表现突出，同时增强了对交互噪声的鲁棒性。相关代码已开源，可访问：https://github.com/wujcan/SGL。