[論文レビュー] Contrastive Self-supervised Learning in Recommender Systems: A Survey

Mengyuan Jing, Yanmin Zhu+2 more|arXiv (Cornell University)|Mar 17, 2023

Recommender Systems and Techniques被引用数 13

ひとこと要約

この論文は、推奨システムのための対照的な自己教師付き学習（CL）手法を包括的にレビューし、方法選択と設計を導く統一フレームワークと分類法を提案する。

ABSTRACT

Deep learning-based recommender systems have achieved remarkable success in recent years. However, these methods usually heavily rely on labeled data (i.e., user-item interactions), suffering from problems such as data sparsity and cold-start. Self-supervised learning, an emerging paradigm that extracts information from unlabeled data, provides insights into addressing these problems. Specifically, contrastive self-supervised learning, due to its flexibility and promising performance, has attracted considerable interest and recently become a dominant branch in self-supervised learning-based recommendation methods. In this survey, we provide an up-to-date and comprehensive review of current contrastive self-supervised learning-based recommendation methods. Firstly, we propose a unified framework for these methods. We then introduce a taxonomy based on the key components of the framework, including view generation strategy, contrastive task, and contrastive objective. For each component, we provide detailed descriptions and discussions to guide the choice of the appropriate method. Finally, we outline open issues and promising directions for future research.

研究の動機と目的

• CLベースの推奨手法の統一フレームワークを提供する。
• ビュー生成、前処置タスク、対照的な目的の細粒度分類法を開発する。
• 代表的なCLベースの推奨手法とその設計選択を要約する。
• さらなる研究を促す未解決の課題と今後の方向性を特定する。

提案手法

• データに基づく拡張またはモデルに基づく拡張によって生成されたKつのデータビューを用いる一般的なCLベースの推奨フレームワークを定義する。
• ビュー生成戦略、前処理タスク、対照的目的という3つの要素で手法を分類する。
• トレーニング戦略として、ジョイントラーニングと事前学習+微調整（P&F）を議論する。
• 各要素の選択肢について詳密な分析を提供し、手法選択を導く。
• 代表的なCLベースの推奨手法を体系的な分類法で要約・比較する。

実験結果

リサーチクエスチョン

• RQ1 推奨システムのための対照的自己教師付き学習手法を統一する一貫したフレームワークとは何か？
• RQ2 ビュー生成、前処理タスク、目的の設計選択を指針とするために、CLベースの手法をどのように分類できるか？
• RQ3 CLベースの推奨におけるジョイントラーニングと事前学習＋微調整（P&F）のトレードオフは何か？
• RQ4 タスクやデータ型を横断して、CLベースの推奨手法の各コンポーネントを選択する際の指針は何か？

主な発見

• CLベースのアプローチが軽量なモデルと柔軟な設計のためにSSLベースの推奨より優勢である。
• 3つの要素（ビュー生成、前処置タスク、対照的目的）を持つ統一フレームワークが、既存手法を効果的に整理する。
• 2つのトレーニング戦略：ジョイントラーニング（JL）と事前学習＆微調整（P&F）。JLはしばしばタスク固有の性能が高い一方、P&Fはタスク間での一般化能力を提供する。
• ビュー生成は拡張あり・なしのいずれも可能。拡張手法にはグラフベース、シーケンスベース、特徴ベースの戦略が含まれる。
• ほとんどの手法はJL設定でInfoNCEを対照的目的として採用。特定のタスク向けにBYOL/GGの代替を検討する研究もある。