摘要：

我们的目的是充分考虑对比学习在推荐系统场景中的应用，使其更适合于推荐任务。我们提出了一个监督对比学习框架来预训练用户-项目二部图，然后对图卷积神经网络进行微调。具体来说，我们将在数据预处理过程中比较用户与物品之间的相似度，然后在应用对比学习时，不仅将扩增视图视为正样本，还将一定数量的相似样本视为正样本，这与SimCLR不同，SimCLR将一批中的其他样本视为负样本。我们将这种学习方法称为监督对比学习(SCL)，并将其应用于最先进的LightGCN。此外，为了考虑节点交互的不确定性，我们还提出了一种新的数据增强方法——节点复制。通过对数据集的实证研究和消融研究，证明了SCL和节点复制的有效性，提高了推荐的准确性和对交互噪声的鲁棒性。
整体框架图：

创新点：

1. InfoNCE的改进，相似样本试做为正样本
2. 增强方法，节点动机的复制

一、 InfoNCE的改进

SGL的缺点：

虽然SGL已经取得了一定程度的效果改善，但我们认为SimCLR的对比学习框架可能并不十分适合推荐任务。具体来说，SimCLR的应用背景是一个计算机视觉(CV)任务。它将一个输入数据的两个增广样本视为正样本，将该批数据中的其他样本视为负样本。由于CV任务中样本的多样性，本设计合理，有助于挖掘硬负样本，提高学习表征的质量。而在推荐系统中，比较的核心是用户或物品节点，最终目的是比较数据的余弦相似度。这意味着很有可能在一个批中存在类似的用户或商品。将这些样本作为负样本，相似的用户或项目在表示空间中会变得越来越远，违背了推荐系统的优化目的，影响了GCN学习到的最终表示，降低了推荐系统的性能。

改进：

为了更能适应推荐任务，在进行对比学习时，我们不会简单地将同批次的其他样本作为负样本，而是将所有相似的样本作为正样本，将不同的样本作为负样本。这种对比学习方法引入了监督信息，使得相似的用户或项目更倾向于学习相似的表示，这有利于下游推荐任务。这种监督对比表示学习方法从推荐系统的目标出发，其设计更适合于推荐系统，可以进一步提高推荐任务的性能。

建立节点的多个视图后，分别将其输入到GCN中，然后对生成的表示进行对比学习损失。InfoNCE是对同一节点的不同视图作为正样本, 对其他不同的节点的视图作为负样本，与它不同，我们提出一个监督对比学习损失函数,对相似的节点视为正样本。我们称这种损失为监督InfoNCE(S-InfoNCE):

其中$1_{[k不属于i]}$表示指示器函数，当k与i不相似时，取值为1，否则为0, 而当j与i相似时,$1_{[j属于i]}$，取值为1。

我们的S-InfoNCE使得相似节点的表示在表示空间中彼此接近，以确保它们的一致性。另外，将不同的样本作为负样本，以确保这些节点的表示存在显著差异。我们以推荐任务为目标，并认为相似的用户应该有相似的表示，以促进协同过滤。

SGL infoNCE：
原文 ：

本文 ：

其中sim(u，v)=$u^{T}v$/||u|| ||v|| 表示l2归一化u和v之间的点乘。1[k=i]是一个指示函数，当k不等于i时，值为1。

二、 节点动机复制

根据概率ρ3，节点复制会将当前节点的部分交互替换为相似节点的相应交互。节点之间的相似度用余弦表示，即交互历史越相似，节点越相似。相似度计算的矩阵形式如下:

其中G为稀疏矩阵，表示每个节点的交互历史。然后对于每个节点，我们将对S进行排序，并选择可用于替换的前N个节点。我们将每个节点的交互历史划分为k个段，在进行节点复制时，随机替换其中一个段。节点复制如下:

其中M3是应用于节点集的掩码向量。 这种增强随机替换了部分交互，期望表示能包含更多的信息，增加推荐结果的多样性，提高推荐系统的性能。