[论文解读] Enhancing Sequential Recommendation with Graph Contrastive Learning

Yixin Zhang, Yong Liu+6 more|arXiv (Cornell University)|May 30, 2022

Recommender Systems and Techniques被引用 5

一句话总结

本文提出 GCL4SR，一种图对比学习框架，通过从所有用户序列构建加权项目转移图（WITG）来捕捉全局项目转移模式，从而增强序列推荐。通过在交互序列中引入来自 WITG 的子图进行增强，并应用包含两个辅助目标（表示一致性与全局-局部对齐）的对比学习，GCL4SR 显著提升了序列表示学习效果，在真实世界数据集上实现了最先进性能。

ABSTRACT

The sequential recommendation systems capture users' dynamic behavior patterns to predict their next interaction behaviors. Most existing sequential recommendation methods only exploit the local context information of an individual interaction sequence and learn model parameters solely based on the item prediction loss. Thus, they usually fail to learn appropriate sequence representations. This paper proposes a novel recommendation framework, namely Graph Contrastive Learning for Sequential Recommendation (GCL4SR). Specifically, GCL4SR employs a Weighted Item Transition Graph (WITG), built based on interaction sequences of all users, to provide global context information for each interaction and weaken the noise information in the sequence data. Moreover, GCL4SR uses subgraphs of WITG to augment the representation of each interaction sequence. Two auxiliary learning objectives have also been proposed to maximize the consistency between augmented representations induced by the same interaction sequence on WITG, and minimize the difference between the representations augmented by the global context on WITG and the local representation of the original sequence. Extensive experiments on real-world datasets demonstrate that GCL4SR consistently outperforms state-of-the-art sequential recommendation methods.

研究动机与目标

• 解决现有序列推荐模型仅依赖单个用户序列内部局部上下文的局限性。
• 通过利用所有用户之间的全局项目转移模式，缓解用户交互序列中的数据稀疏性和噪声问题。
• 通过基于图的数据增强引入全局上下文，改进序列表示学习。
• 开发一种自监督学习框架，无需额外标注数据即可提升模型泛化能力和鲁棒性。

提出的方法

• 基于所有用户交互序列中项目转移的共现频率，构建加权项目转移图（WITG），以编码全局转移模式。
• 在 WITG 上执行邻域采样，为每个用户交互序列生成多个增强的子图视图。
• 应用图对比学习，以最大化同一序列在不同增强视图下的表示一致性。
• 引入最大均值差异（MMD）损失，将 WITG 的全局上下文感知表示与原始序列的局部表示对齐。
• 使用标准项目预测损失与两个辅助对比目标的组合，端到端训练模型。
• 将所提出的图增强表示学习模块集成到多种主干模型（例如 SASRec、GRU4Rec、HGN）中，以验证其泛化能力。

实验结果

研究问题

• RQ1 将共享 WITG 中的全局项目转移模式融入，是否能提升序列推荐中序列表示的质量？
• RQ2 图对比学习在对齐同一用户序列的不同增强视图方面，对提升表示鲁棒性的有效性如何？
• RQ3 基于 MMD 的全局与局部表示对齐，在多大程度上提升了推荐性能？
• RQ4 所提出的框架在不同主干架构的序列推荐中是否具备泛化能力？

主要发现

• GCL4SR 在 Poetry 和 Phones 数据集上均达到最先进性能，超越了包括 SASRec、GRU4Rec 和 HGN 在内的现有 SOTA 方法。
• 消融实验表明，图对比学习损失与 MMD 损失均至关重要，移除任一损失均导致性能显著下降（例如，移除图对比学习损失后，HR@20 从 0.2428 降至 0.2433）。
• WITG 组件（编码转移频率）至关重要——移除后性能显著下降（Poetry 上 HR@20 降至 0.2138）。
• 模型在不同主干编码器上均表现稳健：GCL4SR-SAS、GCL4SR-GRU 和 GCL4SR-HGN 均优于其对应的基线模型。
• 超参数分析显示，在 Poetry 上采样深度 M=4、在 Phones 上 M=3 时性能最优，嵌入维度分别为 d=64（Poetry）和 d=96（Phones）。
• 更大的采样规模 N 提升了性能，表明更丰富的增强可带来更好的表示学习效果。