HGCL：Heterogeneous Graph Contrastive Learning for Recommendation

Heterogeneous Graph Contrastive Learning for Recommendation

解决的问题

推荐场景主要涉及异构关系（包括社交感知中的用户影响以及基于知识感知的项目依赖性等），其中蕴含着用于提升用户体验偏好学习的关键信息。

HGCL模型

然后我们采用了异构图神经网络充当编码器，在对嵌入进行处理后成功地保存了异构关系中的丰富语义信息。为了普及用户的个性化能力提升需求, 我们开发并提出了一种专门设计的对比学习架构,该架构通过构建一个元网络来提取用户的个性化特征以及项目的独特属性.它实现了基于元网络的知识迁移机制,从而能够根据不同的关联视角传递相应的信息信号。

值得注意的是，在本研究中我们开发出一个自门控模块（Self-Controllable Module），该模块能够从公共区域中提取个人社交关系和项目相关的感知嵌入。

以U-I编码器为例，传播过程是：

进一步，信息聚合为：

用户-项目的整体嵌入生成：

旨在通过整合辅助视图中的用户与项目侧信息数据点之间的互动关系而建立个性化映射模型。该过程主要涉及以下步骤：首先，在系统设计阶段确定关键的数据模型，并在此基础上构建相应的元数据仓库；其次，在数据采集环节完成对多源异构数据的清洗与标准化处理；最后，在模型训练阶段运用机器学习算法对历史互动行为进行建模分析，并据此推导出各参与主体间的潜在关联性权重值。
具体而言，在此过程中我们将重点阐述如何从原始数据中提炼元知识以构建基于用户的关联网络。

在HGCL框架中, 通过抽取元知识构建了一个参数化的知识转移网络以及专门设计的转换机制. 提出的Meta神经网络是:

然后利用定制的嵌入来增强从用户-项目交互编码的用户嵌入：

优化部分就是正常的InfoNCE损失和BPR损失：

于是，总训练损失是：

其中，

评价指标与模型结果

Recall@10 and NDCG@10

SAMN ：该系统构建了一个基于注意力机制的记忆网络，并考虑了社交网络中不同个体影响力差异的影响因素，在此基础之上实现了对用户-项目交互模式的改进。
DGRec ：该方法通过递归神经网络建模用户的动态兴趣变化过程，并利用图注意力网络评估推荐行为的社会影响程度。
ETANN ：该系统通过构建社交关系编码机制，在社会领域数据与用户行为数据之间实现了自适应迁移。
NGCF ：本研究将社交信息整合到图神经网络协同过滤框架中，并采用图卷积结构进行消息传递。
KGAT：在此推荐框架中，默认情况下融合了项目知识关系的图注意力机制。
MKR：该方法以知识图为边信息资源为基础，在多任务学习框架下辅助推荐过程，并根据不同任务关联交叉压缩单元。
GraphRec：本研究提出了一个联合建模框架，在社交图与交互图之间建立关系异质性表示。
DANSER：该系统通过上下文多臂强盗算法实现了对用户特定动态关注权重的学习，并据此评估双重社会效果。
HERec：该方法旨在利用元路径引导的随机游走策略，在推荐过程中捕获异构信息特征。
MCRec：本研究提出了共同关注机制，在异构关系捕捉方面取得了显著进展。
HAN：研究者在此异构图神经网络架构下实现了用户的表示学习与项目的表示学习，并通过元路径引导的注意机制进行编码。
HGT：本研究提出了一种异构相互关注的消息传递方案，并在此基础上细化用户的嵌入表示与项目的嵌入表示。
HeCo：该方法是一种自监督学习框架，在对比学习基础上整合异构图神经网络模型架构，并利用元路径连接编码的不同嵌入形式实现对比优化。
SMIN：这是一个结合辅助图学习任务与主推荐任务的自监督社会推荐系统，默认情况下默认情况下默认情况下默认情况下默认情况下默认情况下默认情况下默认情况下默认情况下默认情况下默认情况下默认情况下，默认情况下，默认情况下，默认情况下，默认情况下，默认情况
MHCN：在此推荐框架中，默认假设使用一个多通道超图卷积网络来建模基于motifs的不同层次社交关系，默认情况
消融实验：
w/o-meta不含Meta网络
w/o-cl禁用对比学习
w/0-ii不使用项目-项目图
w/o-uu不使用用户-用户图

代码链接

    https://github.com/HKUDS/HGCL