Contrastive Learning Augmented Social Recommendations

📄 arXiv: 2502.15695v3 📥 PDF

作者: Lin Wang, Weisong Wang, Xuanji Xiao, Qing Li

分类: cs.IR, cs.AI, cs.SI

发布日期: 2025-01-03 (更新: 2025-10-09)

🔗 代码/项目: GITHUB

💡 一句话要点

提出对比学习增强的社交推荐模型CLSRec，解决冷启动用户推荐问题。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 社交推荐 对比学习 互蒸馏 冷启动问题 推荐系统

📋 核心要点

  1. 传统推荐模型在冷启动用户上表现不佳，因为缺乏足够的交互数据来准确捕捉用户兴趣。
  2. 论文提出CLSRec模型，利用社交关系图来增强用户兴趣表示，并通过对比学习和互蒸馏来处理噪声和跨域不一致性。
  3. 实验结果表明，CLSRec在行业数据集上显著提升了冷启动用户的推荐性能，验证了其有效性。

📝 摘要（中文）

推荐系统是现代内容平台的基础，但传统的基于行为的模型通常难以处理交互数据有限的冷启动用户。吸引这些用户对于平台增长至关重要。为了弥补这一差距，我们提出利用社交关系图来丰富基于行为的模型的兴趣表示。然而，由于关系噪声和跨域不一致性，从社交图中提取价值具有挑战性。为了解决噪声传播并获得准确的社交兴趣，我们采用双视图去噪策略，对用户-物品交互矩阵应用低秩SVD以获得去噪的社交图，并采用对比学习来对齐原始和重构的社交图。为了解决社交和行为兴趣之间的兴趣不一致性，我们采用“互蒸馏”技术将原始兴趣隔离为对齐的社交/行为兴趣和社交/行为特定兴趣，从而最大限度地提高两者的效用。在广泛采用的行业数据集上的实验结果验证了该方法的有效性，特别是对于冷启动用户，为未来的研究提供了新的视角。该实现可在https://github.com/WANGLin0126/CLSRec 访问。

🔬 方法详解

问题定义：论文旨在解决推荐系统中冷启动用户的问题。现有基于行为的推荐模型在用户交互数据稀疏时表现不佳，无法准确捕捉用户兴趣。直接利用社交关系图进行推荐又面临关系噪声和社交兴趣与行为兴趣不一致的问题。

核心思路：论文的核心思路是利用社交关系图来增强用户兴趣表示，同时通过双视图去噪和对比学习来降低社交关系中的噪声，并通过互蒸馏来对齐社交兴趣和行为兴趣，从而提高推荐的准确性。

技术框架：CLSRec模型包含以下主要模块：1) 双视图去噪模块：使用低秩SVD对用户-物品交互矩阵进行分解，得到去噪的社交图。2) 对比学习模块：通过对比学习对齐原始社交图和去噪后的社交图，学习更鲁棒的社交关系表示。3) 互蒸馏模块：将用户兴趣分解为对齐的社交/行为兴趣和特定于社交/行为的兴趣，通过互蒸馏学习对齐的兴趣表示。4) 推荐模块：结合学习到的社交兴趣和行为兴趣进行推荐。

关键创新：论文的关键创新在于：1) 提出了双视图去噪策略，有效降低了社交关系中的噪声。2) 采用了对比学习来对齐原始和去噪后的社交图，学习更鲁棒的社交关系表示。3) 提出了互蒸馏技术，将用户兴趣分解为对齐的社交/行为兴趣和特定于社交/行为的兴趣，从而更好地利用社交信息和行为信息。

关键设计：在双视图去噪模块中，低秩SVD的秩是一个关键参数，需要根据数据集的特性进行调整。在对比学习模块中，使用了InfoNCE损失函数来最大化正样本之间的相似性，最小化负样本之间的相似性。在互蒸馏模块中，使用了KL散度来衡量不同兴趣表示之间的差异，并进行知识迁移。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，CLSRec模型在多个行业数据集上显著优于现有的推荐模型，尤其是在冷启动用户上表现出色。例如，在某个数据集上，CLSRec模型相对于最佳基线模型，在Recall@20指标上提升了超过10%。这表明CLSRec模型能够有效地利用社交关系来增强用户兴趣表示，从而提高推荐的准确性。

🎯 应用场景

该研究成果可应用于各种内容推荐平台，特别是对于新用户或交互数据较少的用户，能够有效提升推荐的准确性和用户体验。例如，在社交媒体、电商平台、新闻推荐等场景中，可以利用用户的社交关系来更好地理解用户兴趣，从而提供更个性化的推荐服务。该方法也有助于缓解信息茧房效应，为用户推荐更多样化的内容。

📄 摘要（原文）

Recommender systems are essential for modern content platforms, yet traditional behavior-based models often struggle with cold users who have limited interaction data. Engaging these users is crucial for platform growth. To bridge this gap, we propose leveraging the social-relation graph to enrich interest representations from behavior-based models. However, extracting value from social graphs is challenging due to relation noise and cross-domain inconsistency. To address the noise propagation and obtain accurate social interest, we employ a dual-view denoising strategy, employing low-rank SVD to the user-item interaction matrix for a denoised social graph and contrastive learning to align the original and reconstructed social graphs. Addressing the interest inconsistency between social and behavioral interests, we adopt a "mutual distillation" technique to isolate the original interests into aligned social/behavior interests and social/behavior specific interests, maximizing the utility of both. Experimental results on widely adopted industry datasets verify the method's effectiveness, particularly for cold users, offering a fresh perspective for future research. The implementation can be accessed at https://github.com/WANGLin0126/CLSRec.