SimCGNN: Simple Contrastive Graph Neural Network for Session-based Recommendation
Beijing University of Posts and Telecommunications(北京邮电大学);The University of Sydney(悉尼大学);Zhejiang Lab(之江实验室)
基于会话的推荐(SBR)问题,其重点是对匿名用户的下一个项目的预测,受到越来越多的研究人员的关注。现有的基于图的SBR方法都缺乏区分具有相同最后一项的会话的能力,并且遭受严重的流行偏差。受对比学习方法的启发,提出了一种基于会话推荐的简单对比图神经网络(SimCGNN)。在SimCGNN中,我们首先在构建的会话图上获得规范化的会话嵌入。接下来,我们通过两个前向传播和一个新的负样本选择策略来构造会话的正样本和负样本,然后计算建设性损失。最后,会话嵌入用于给出预测。在两个真实数据集上进行的大量实验表明,我们的SimCGNN与最先进的方法相比取得了显着的改进。
2023-02-08 cs.AI cs.IR
Multi-Sample based Contrastive Loss for Top-k Recommendation
Xi’an Jiaotong University(西安交通大学)
top-k推荐是推荐系统中的一项基本任务,通常通过比较正负对来学习。对比损失是对比学习中的一个关键问题,近年来受到了越来越多的关注,我们发现它非常适合于top-k推荐。然而,CL将阳性样本和阴性样本的重要性视为相同是一个问题。一方面,合作学习面临着一个正样本和多个负样本的不平衡问题。另一方面,在稀疏数据集中,正项很少,因此应该强调它们的重要性。此外,另一个重要的问题是,稀疏的积极项目仍然没有充分利用的建议。因此,我们提出了一种新的数据增强方法,使用多个正项目(或样本)同时与CL损失函数。因此,我们提出了一种基于多样本的对比损失(MSCL)函数,通过平衡正负样本的重要性和数据增强来解决这两个问题。基于图卷积网络(GCN)方法,实验结果验证了MSCL的先进性能。所提出的MSCL方法简单,适用范围广。我们将在接受后在GitHub上发布代码。
2021-09-01 cs.AI cs.IR
Contrastive Learning for Aspect Representation towards Explainable Recommendation
Toronto Metropolitan University(多伦多都会大学)
本文提出CLARER模型,结合评分与评论方面特征,利用Transformer和对比学习提升推荐准确性与可解释性,在三个基准数据集上优于基线。
2026-10-07 cs.AI cs.IR
Semantic Retrieval Augmented Contrastive Learning for Sequential Recommendation
City University of Hong Kong(香港城市大学);Huazhong University of Science and Technology(华中科技大学);Tencent(腾讯);Shenzhen Technology University(深圳技术大学);Peking University(北京大学);Shenzhen University(深圳大学)
SRA-CL通过利用LLMs的语义能力生成高质量对比对,提升序列推荐模型的性能。
2025-12-22 cs.AI cs.IR
Enhancing Sequential Recommendation with Graph Contrastive Learning
Shandong University(山东大学);Alibaba Group(阿里巴巴集团);Nanyang Technological University(南洋理工大学)
顺序推荐系统通过捕捉用户的动态行为模式来预测用户的下一次交互行为。现有的顺序推荐方法大多只利用单个交互序列的局部上下文信息,并仅基于项目预测损失来学习模型参数。因此,他们通常无法学习适当的序列表示。提出了一种新的推荐框架--图对比学习顺序推荐(GCL 4SR)。具体而言,GCL 4SR采用加权项目转换图(WITG),建立在所有用户的交互序列的基础上,提供全局上下文信息的每一个交互和削弱序列数据中的噪声信息。此外,GCL 4SR使用WITG的子图来增强每个交互序列的表示。还提出了两个辅助学习目标,以最大限度地提高由相同的交互序列在WITG上诱导的增强表示之间的一致性,并最小化由WITG上的全局上下文增强的表示与原始序列的局部表示之间的差异。在真实数据集上的大量实验表明,GCL 4SR始终优于最先进的顺序推荐方法。
2022-06-07 cs.AI cs.IR
SR-GCL: Session-Based Recommendation with Global Context Enhanced Augmentation in Contrastive Learning
Samsung Research, Samsung Electronics(三星电子三星研究院)
基于会话的推荐旨在根据正在进行的会话预测用户的下一个行为。以前的工作一直建模会话作为一个可变长度的项目序列,并学习表示的单个项目和聚合会话。最近的研究已经应用了具有注意力机制的图神经网络,通过将会话建模为图结构数据来捕获复杂的项目转换和依赖关系。然而,它们仍然面临着数据和学习方法方面的根本挑战,例如稀疏的监督信号和会话中的嘈杂交互,导致次优性能。在本文中,我们提出了SR-GCL,一个新的对比学习框架,基于会话的推荐。作为对比学习的一个重要组成部分,我们提出了两个全局上下文增强的数据增强方法,同时保持原始会话的语义。在两个真实的电子商务数据集上的实验结果表明了SR-GCL方法相对于其他方法的优越性。
2022-09-23 cs.AI cs.IR
A Simple Contrastive Framework Of Item Tokenization For Generative Recommendation
AMAP, Alibaba Group(阿里集团AMAP)
针对生成式推荐中令牌空间冗余问题,提出基于对比学习的SimCIT框架,利用可学习残差量化对齐多模态信号,在公共和工业数据集上验证了其有效性。
2025-06-20 cs.AI cs.IR
Hierarchical and Contrastive Representation Learning for Knowledge-aware Recommendation
Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所);Intel Labs China(英特尔中国实验室);University of Chinese Academy of Sciences(中国科学院大学)
针对知识感知推荐中递归传播导致的邻居指数扩张和过度平滑问题,本文提出HiCON框架,通过分层消息聚合与跨阶对比学习提升节点表示判别性,并在三个数据集上验证了其优越性。
2023-04-15 cs.AI cs.IR
HCGR: Hyperbolic Contrastive Graph Representation Learning for Session-based Recommendation
Ant Group(蚂蚁集团);Shantou University(汕头大学);Tianjin University(天津大学)
基于会话的推荐(SBR)通过从用户行为的演变中捕捉短期和连续的模式来学习用户的偏好。在SBR领域的研究中,基于图的方法是一种比较强大的方法,它通常通过在欧氏空间下的消息聚合来提取项目信息。然而,这样的方法不能有效地提取包含在一个会话中的连续项目之间的层次信息,这是表示用户的偏好的关键。在本文中,我们提出了一个双曲对比图推荐(HCGR),一个原则性的基于会话的推荐框架,涉及洛伦兹双曲空间,以充分捕捉项目的连贯性和层次表示。在这个框架内,我们设计了一种新的自适应双曲注意力计算聚合每个用户的偏好在一个基于会话的行为序列的图形消息。此外,利用对比学习,通过考虑双曲空间中正负样本之间的测地线距离来优化项目表示。在四个真实世界数据集上的广泛实验表明,HCGR在$HitRate$、$NDCG$和$MRR$方面始终优于最先进的基线0.43 $\%$-28.84 $\%$。
2021-07-06 cs.AI cs.IR
Bilateral Unsymmetrical Graph Contrastive Learning for Recommendation
School of Computer Science Wuhan University Wuhan, China;School of Artificial Intelligence Wuchang University of Technology Wuhan, China
针对用户与物品节点关系密度差异导致的图适应性受限问题,提出双侧非对称图对比学习框架BusGCL,通过多模块嵌入切片与组合及分散损失对齐分布,有效提升了推荐性能且无额外开销。
2024-03-22 cs.AI cs.IR
Graph Contrastive Learning on Multi-label Classification for Recommendations
Jinan University(暨南大学);University of Illinois Chicago(伊利诺伊大学芝加哥分校)
针对传统图推荐方法随数据量增长性能下降的问题,提出含主、子双训练阶段的多标签分类图对比学习模型MCGCL,在真实数据集上优于现有最优方法,可提升推荐系统效果。
2025-01-13 cs.AI cs.IR
Explanation Guided Contrastive Learning for Sequential Recommendation
最近,对比学习已被应用到顺序推荐任务,以解决数据稀疏所造成的用户与少数项目的互动和项目与少数用户采用。然而,现有的基于对比学习的方法不能确保通过对给定锚用户序列的一些随机增强(或序列采样)获得的正(或负)序列保持语义相似(或不同)。当正序列和负序列分别被证明是假阳性和假阴性时,可能导致推荐性能下降。在这项工作中,我们解决了上述问题,提出了解释引导增强(EGA)和解释引导对比学习顺序推荐(EC4SRec)模型框架。EGA背后的核心思想是利用解释方法来确定项目在用户序列中的重要性,并相应地导出正序列和负序列。然后,EC4SRec结合了对EGA操作生成的正序列和负序列的自监督和监督对比学习,以改进序列表示学习,从而获得更准确的推荐结果。在四个真实世界的基准数据集上的大量实验表明,EC4SRec优于最先进的顺序推荐方法和两个最近的基于对比学习的顺序推荐方法,CL4SRec和DuoRec。我们的实验还表明,EC4SRec可以很容易地适应不同的序列编码器骨干(例如,GRU4Rec和Caser),并提高其推荐性能。
2022-09-03 cs.IR
Improving Micro-video Recommendation via Contrastive Multiple Interests
随着微视频创作者和观看者的迅速增加,如何从海量的候选人向观看者进行个性化推荐开始受到越来越多的关注。然而,现有的微视频推荐模型依赖于昂贵的多模态信息,并且学习整体兴趣嵌入,不能反映用户对微视频的多种兴趣。最近,对比学习为改进现有的推荐技术提供了一个新的机会。因此,本文提出了提取对比性多兴趣,并设计了一个微视频推荐模型CMI。具体而言,CMI从每个用户的历史交互序列中学习他/她的多个兴趣嵌入,其中隐式正交微视频类别用于解耦多个用户兴趣。此外,它建立了对比多兴趣损失,以提高兴趣嵌入的鲁棒性和推荐的性能。在两个微视频数据集上的实验结果表明,CMI在现有基线上实现了最先进的性能。
2022-05-19 cs.IR
Contrastive Learning with Bidirectional Transformers for Sequential Recommendation
基于transformer的序列编码器的对比学习在序列推荐中取得了优势。它最大化共享相似语义的成对序列扩增之间的协议。然而,现有的顺序推荐对比学习方法主要采用从左到右的单向Transformers作为基本编码器,由于用户行为可能不是严格的从左到右的顺序,因此这种方法对于顺序推荐来说并不理想。为了解决这个问题,我们提出了一个新的框架,名为\textbf{C}对比学习与\textbf{Bi}定向\textbf{T} transformers顺序推荐(\textbf{CBiT})。具体来说,我们首先应用滑动窗口技术的双向Transformers,这使得用户序列的更细粒度的划分长的用户序列。然后结合完形填空任务模板和丢弃模板生成高质量的正样本并进行多对对比学习,与常规的一对对比学习相比,该方法具有更好的性能和适应性。此外,我们还引入了一种新的动态损失权重调整策略来平衡完形填空任务损失和对比损失。在三个公共基准数据集上的实验结果表明,我们的模型优于最先进的顺序推荐模型。
2022-08-17 cs.IR
Self-Supervised Interest Transfer Network via Prototypical Contrastive Learning for Recommendation
College of Computer Science and Technology, Zhejiang University(浙江大学计算机科学与技术学院);Alibaba Group(阿里巴巴集团)
跨域推荐近年来受到了业界和学术界的广泛关注。然而,大多数现有的方法不利用域之间的兴趣不变性,这将产生次优的解决方案。本文提出了一种跨领域推荐方法:自监督兴趣转移网络(SITN),它通过原型对比学习在领域之间有效地转移不变知识。具体来说,我们执行两个层次的跨域对比学习:1)实例到实例的对比学习,2)实例到集群的对比学习。不仅如此,我们还考虑了用户的多粒度和多视角兴趣。通过这种范式,SITN可以显式地学习领域之间兴趣簇的不变知识,准确地捕获用户的意图和偏好。我们对一个公共数据集和一个从世界领先的电子商务公司收集的大规模工业数据集进行了广泛的实验。实验结果表明,SITN实现了显着的改进,国家的最先进的推荐方法。此外,SITN已部署在微视频推荐平台上,在线A/B测试结果进一步证明了其实用价值。补充资料可在以下网址获得:https://github.com/fanqieCoffee/SITN-Supplement。
2023-02-28 cs.AI cs.IR cs.LG
Fisher-Weighted Merge of Contrastive Learning Models in Sequential Recommendation
Seoul National University(首尔国立大学)
本文首次将Fisher-Merging方法引入序列推荐,通过合并多个对比学习模型参数实现稳健微调,有效缓解数据稀疏问题并提升推荐性能。
2023-07-05 cs.AI cs.IR cs.LG
Heterogeneous Graph Contrastive Learning for Recommendation
图神经网络(GNN)已经成为推荐系统中对图结构数据建模的强大工具。然而,现实生活中的推荐场景通常涉及异构关系(例如,社会感知的用户影响、知识感知的项目依赖性),其包含丰富的信息以增强用户偏好学习。在本文中,我们研究了异构图增强的关系学习推荐的问题。近年来,对比自监督学习在推荐中取得了成功。鉴于此,我们提出了一种异构图对比学习(HGCL),它能够将异构关系语义与对比学习-增强跨不同视图的知识转移的用户-项目交互建模。然而,异构边信息对交互的影响可能因用户和项目而异。为了推进这一想法,我们用Meta网络增强了异构图对比学习,以允许个性化知识Transformer具有自适应对比增强。在三个真实数据集上的实验结果证明了HGCL的优越性。通过消融研究,验证了HGCL方法中的关键组件,有利于提高推荐性能。模型实现的源代码可在链接https://github.com/HKUDS/HGCL上获得。
2023-03-02 cs.IR
Multi-Level Graph Attention Network Contrastive Learning for Knowledge-Aware Recommendation
Durham University(杜伦大学);University of Sheffield(谢菲尔德大学)
本文提出多视图图对比学习框架,通过多视图知识图谱蒸馏增强用户表示,结合多级自监督对比学习模块,提升推荐系统对实体和关系的建模精度,实验验证其有效性。
2026-05-08 cs.AI cs.IR
A Gated Hybrid Contrastive Collaborative Filtering Recommendation
Institute of Computing, Federal University of Bahia(巴伊亚联邦大学计算学院);Department of Electrical and Computer Engineering, Western University(西方大学电气与计算机工程系)
本文提出基于门控混合对比学习的协同过滤框架,通过整合文本评价表示提升推荐排名质量,实验表明在Amazon Movies & TV、IMDb和Rotten Tomatoes数据集上有效提升了Top-10命中率和NDCG@10指标。
2026-04-29 cs.AI cs.IR
Sequences as Nodes for Contrastive Multimodal Graph Recommendation
University of Surrey(萨里大学)
MuSICRec通过多视图图方法结合协同、序列和多模态信号,提升推荐系统在冷启动和数据稀疏问题上的性能。
2026-02-06 cs.AI cs.IR
AdaptiveRec: Adaptively Construct Pairs for Contrastive Learning in Sequential Recommendation
Seoul National University(首尔国立大学)
本文提出AdaptiveRec方法,通过自适应构建对比学习样本对,缓解序列推荐中的假阴性问题,提升物品嵌入质量与推荐性能。
2023-07-07 cs.IR cs.LG
Contrastive Meta Learning with Behavior Multiplicity for Recommendation
University of Hong Kong(香港大学);South China University of Technology(华南理工大学);Wilfrid Laurier University(威尔弗里德·劳雷尔大学);Baidu Inc(百度公司)
一个消息灵通的推荐框架不仅可以帮助用户识别他们感兴趣的项目,而且还可以使各种在线平台的收入受益(例如,电子商务、社交媒体)。传统的推荐模型通常假设用户与商品之间只存在单一的交互行为,无法从多类型的用户行为数据(如页面浏览、添加到收藏夹和购买)中建模出用户与商品之间的多重关系。虽然最近的一些研究提出了捕获不同类型行为之间的依赖关系,但两个重要的挑战很少被探索:i)处理目标行为下的稀疏监督信号(例如,购买)。ii)利用定制的依赖建模来捕获个性化的多行为模式。为了解决上述问题,我们设计了一个新的模型CML,对比Meta学习(CML),为不同的用户维护专用的跨类型的行为依赖。特别是,我们提出了一个多行为对比学习框架,通过构建对比损失提取跨不同类型的行为的可转移知识。此外,为了捕捉不同的多行为模式,我们设计了一个对比Meta网络来编码不同用户的定制行为异质性。在三个真实数据集上的大量实验表明,我们的方法始终优于各种最先进的推荐方法。我们的实证研究进一步表明,对比Meta学习范式提供了很大的潜力,捕捉行为多样性的建议。我们在https://github.com/weiwei1206/CML.git上发布我们的模型实现。
2022-02-17 cs.AI cs.IR cs.LG
Learnable Sequence Augmenter for Triplet Contrastive Learning in Sequential Recommendation
提出可学习序列增强器LACLRec,通过自监督增强生成高质量序列并设计三元组对比损失,在三个真实数据集上显著提升序列推荐准确性。
2025-03-26 cs.IR
Modeling Balanced Explicit and Implicit Relations with Contrastive Learning for Knowledge Concept Recommendation in MOOCs
Northeast Normal University(东北师范大学);Jilin Open University(吉林开放大学)
针对MOOCs知识概念推荐中忽略隐式关系的问题,提出基于对比学习的框架CL-KCRec,利用图神经网络表示显隐式关系,并结合原型图对比学习与双头注意力机制实现平衡融合,在HR、NDCG和MRR指标上优于现有基线。
2024-02-13 cs.AI cs.IR
Prototypical Contrastive Learning through Alignment and Uniformity for Recommendation
School of Computer Science, East China Normal University(华东师范大学计算机科学学院);School of Science, Zhejiang University of Technology(浙江工业大学理学院)
针对图对比学习推荐方法的采样偏差与维度坍塌问题,提出基于原型对齐与一致性的ProtoAU方法,无需随机采样对比对,在四个数据集的链接预测任务上性能优于现有代表性方法。
2024-02-03 cs.AI cs.IR
Discourse-Aware Scientific Paper Recommendation via QA-Style Summarization and Multi-Level Contrastive Learning
Institute of Communication Studies, Communication University of China(中国传媒大学通信学院);Beijing Renhe Information Technology Co., Ltd.(北京润和信息技术有限公司);Key Laboratory of Digital Publishing and Total Process Management of Scientific and Technical Journals(科技期刊数字出版总流程管理重点实验室)
本文提出OMRC-MR框架,通过QA式OMRC摘要、多层级对比学习和结构感知重排序,将论文转化为语篇一致的表示,在多个数据集上显著提升了科学论文推荐的精度与可解释性。
2025-11-05 cs.AI cs.IR
Predictive and Contrastive: Dual-Auxiliary Learning for Recommendation
自监督学习(SSL)最近在推荐方面取得了显著的成功。通过设置辅助任务(预测或对比),SSL可以在没有人工注释的情况下从原始数据中发现监督信号,这大大缓解了稀疏用户-项目交互的问题。然而,大多数基于SSL的推荐模型依赖于通用辅助任务,例如,最大化从原始交互图和扰动交互图中学习到的节点表示之间的对应关系,这些节点表示与推荐任务明显无关。因此,基于推荐数据的异构图中的社会关系和项目类别所反映的丰富语义没有得到充分利用。为了探索特定的辅助任务,我们首先定量分析了异构的交互数据,发现元路径引起的用户-项目路径的数量与交互之间存在很强的正相关关系。基于这一发现,我们设计了两个与目标任务紧密耦合的辅助任务(一个是预测任务,另一个是对比任务),将推荐与隐藏在正相关中的自我监督信号联系起来。最后,一个模型无关的双重辅助学习(DUAL)框架,统一的SSL和推荐任务的开发。在三个真实数据集上进行的大量实验表明,DUAL可以显着提高推荐,达到最先进的性能。
2022-07-23 cs.IR
RevGNN: Negative Sampling Enhanced Contrastive Graph Learning for Academic Reviewer Recommendation
School of Computer Science and Technology, Beijing Institute of Technology(北京理工大学计算机科学与技术学院);School of Computer Science, Beijing University of Posts and Telecommunications(北京邮电大学计算机学院);Department of Computer Science, Tongji University(同济大学计算机科学系);State Key Laboratory of Networking and Switching Technology, Beijing University of Posts and Telecommunications(北京邮电大学网络与交换技术国家重点实验室)
针对学术审稿人推荐中未观测交互的假阴性问题,提出无监督Pseudo Neg-Label策略增强图对比学习的RevGNN模型,通过两阶段编码器近似审稿偏好,在多个数据集上优于所有基线。
2024-07-30 cs.AI cs.IR
Frequency-aware Adaptive Contrastive Learning for Sequential Recommendation
Fudan University(复旦大学)
FACL通过引入频率感知的自适应扰动和再加权机制,提升序列推荐中低频率项和稀疏用户行为的处理能力,实现推荐准确率的显著提升。
2026-01-22 cs.IR
Memory Augmented Multi-Instance Contrastive Predictive Coding for Sequential Recommendation
顺序推荐的目的是根据用户历史记录的顺序模式向用户推荐产品、歌曲和地点等项目。现有的序列推荐模型大多将下一个项目预测任务作为训练信号。不幸的是,这些方法存在两个基本挑战:(1)长期偏好难以捕获,以及(2)监督信号太稀疏,无法有效地训练模型。在本文中,我们提出了一种新的顺序推荐框架,以克服这些挑战的基础上内存增强的多实例对比预测编码方案,表示为MMInfoRec。基本的对比预测编码(CPC)用作序列和项目的编码器。存储器模块被设计为增强CPC中的自回归预测,以实现编码偏好的灵活且通用的表示,这可以提高捕获长期偏好的能力。为了有效地训练MMInfoRec模型,提出了一种新的多实例噪声对比估计(MINCE)损失,使用多个正样本,它提供了一个小批量内的样本的有效利用。所提出的MMInfoRec框架属于对比学习风格,然而,在该风格内,考虑到其对比训练任务与目标推荐任务很好地对齐,不需要进一步的微调步骤。通过对四个基准数据集的广泛实验,MMInfoRec可以超越最先进的基线。
2021-09-13 cs.IR
Meta-optimized Joint Generative and Contrastive Learning for Sequential Recommendation
本文提出Meta-SGCL方法用于序列推荐,通过Seq2Seq生成器结合VAE保留语义生成对比视图,并采用元优化的两步训练策略自适应生成视图,在三个真实数据集上验证了其有效性。
2023-10-21 cs.IR
Multi-level Contrastive Learning Framework for Sequential Recommendation
顺序推荐(SR)的目的是通过了解用户的连续历史行为来预测用户的后续行为。最近,用于SR的一些方法致力于减轻数据稀疏问题(即,有限的监督信号进行训练),它们考虑了对比学习将自监督信号纳入SR。尽管它们取得了成就,但由于对复杂的协作信息和共同行动信息(如用户-项目关系、用户-用户关系和项目-项目关系)建模不足,因此学习信息丰富的用户/项目嵌入是远远不够的。在本文中,我们研究了SR的问题,并提出了一种新的多级对比学习框架的顺序推荐,命名为MCLSR。与以往基于对比学习的SR方法不同,MCLSR通过跨视图对比学习范式,从两个不同层次(即,兴趣和特征级别)。具体地,兴趣级对比机制与顺序转移模式联合学习协作信息,并且特征级对比机制通过捕获协作信息(即,共现)。在四个真实数据集上的实验表明,所提出的MCLSR的性能始终优于最先进的方法。
2022-08-27 cs.IR
SimDiffRec: Semantic Similarity-Guided Diffusion for Contrastive Sequential Recommendation
Sejong University(世宗大学)
针对序列推荐系统,提出SimDiffRec,利用物品嵌入向量相似性生成语义一致噪声,依高置信度选增强位置,结合对比学习提升训练效率与推荐性能,实验表明其优于基线模型。
2026-07-07 cs.IR
Contrastive Cross-domain Recommendation in Matching
跨域推荐(Cross-Domain Recommendation,CDR)是一种在目标域中借助源域提供更好的推荐结果的方法,在现实系统中得到了广泛的应用和探索。然而,匹配中的CDR(即,候选生成)模块在表示学习和知识转移中都要与数据稀疏性和流行性偏差问题作斗争。在这项工作中,我们提出了一个新的对比跨域推荐(CCDR)框架中的CDR匹配。具体而言,我们构建了一个巨大的多样化偏好网络,以获取反映用户不同兴趣的多种信息,并设计了一个域内对比学习(intra-CL)和三个跨域对比学习(inter-CL)任务,以实现更好的表示学习和知识转移。内部CL通过图形增强在目标域内实现更有效和平衡的训练,而内部CL从用户,分类和邻居方面构建不同类型的跨域交互。在实验中,CCDR在现实世界的系统中实现了离线和在线评估的显着改进。目前,我们已在微信看一看”上部署了CCDR,影响了大量用户。源代码在https://github.com/lqfarmer/CCDR中。
2022-06-21 cs.IR
Heterogeneous Graph Masked Contrastive Learning for Robust Recommendation
针对异构图神经网络中元路径图密集且含噪导致节点嵌入受影响的问题,提出 MCL 模型,通过随机掩码策略增强图并采用跨视图对比学习捕获局部与高阶结构,提升了推荐鲁棒性。
2025-05-30 cs.IR
Debiased Contrastive Learning for Sequential Recommendation
目前的顺序推荐系统被提出来处理动态用户偏好学习与各种神经技术,如Transformer和图神经网络(GNNs)。然而,从高度稀疏的用户行为数据的推断可能阻碍顺序模式编码的表示能力。为了解决标签短缺的问题,最近提出了对比学习(CL)方法,以两种方式执行数据增强:(i)随机破坏序列数据(例如随机掩蔽,重新排序);(ii)在预定义的对比视图中对齐表示。虽然有效,我们认为,目前的CL为基础的方法有局限性,在解决流行的偏见和解开用户的一致性和真正的兴趣。在本文中,我们提出了一个新的Debiased对比学习范例推荐(DCRec),统一的序列模式编码与全球合作关系建模,通过自适应一致性感知增强。该解决方案旨在解决推荐系统中的流行偏见问题。我们的去偏对比学习框架有效地捕捉序列内的项目转换模式和跨序列的用户之间的依赖关系。我们在各种真实世界数据集上的实验表明,DCRec的性能显著优于最先进的基线,表明其推荐的有效性。为了促进我们的结果的可重复性,我们在https://github.com/HKUDS/DCRec上公开了DCRec的实现。
2023-03-21 cs.IR
Contrastive Learning for Diversity-Aware Product Recommendations in Retail
University of Amsterdam(阿姆斯特丹大学);IKEA Retail (Ingka Group)(宜家零售(英格卡集团))
本文提出基于对比学习的方法,通过引入精心挑选的负样本,提升零售场景中产品推荐的多样性和覆盖范围,同时保持推荐质量。
2026-02-09 cs.IR cs.LG
Dual Contrastive Transformer for Hierarchical Preference Modeling in Sequential Recommendation
The University of New South Wales(新南威尔士大学);University of Technology Sydney(悉尼科技大学);CSIRO’s Data 61(联邦科学与工业研究组织数据61部门);UNSW(新南威尔士大学)
针对现有序列推荐系统忽略高层级偏好与物品间语义关系的问题,提出含双Transformer模块、双对比学习方案及语义增强嵌入模块的分层偏好建模框架,在六个真实数据集上性能优于现有最优方法。
2024-10-30 cs.AI cs.IR
RDGCL: Reaction-Diffusion Graph Contrastive Learning for Recommendation
Yonsei University(延世大学);KAIST(韩国科学技术院)
受反应-扩散方程启发,提出RDGCL模型,通过结合低通与高通滤波器设计GCN并在反应与扩散嵌入间进行对比学习,无需图增强,在5个数据集上提升了推荐准确性与多样性。
2024-08-22 cs.AI cs.IR cs.LG
Sequential Recommendation on Temporal Proximities with Contrastive Learning and Self-Attention
Ulsan National Institute of Science and Technology(蔚山科学技术院)
针对序列推荐中时间上下文探索不足的问题,提出TemProxRec模型,结合对比学习与自注意力机制捕获跨用户和交互内的垂直与水平时间邻近性,在基准数据集上显著优于现有模型。
2024-02-18 cs.AI cs.IR
C$^3$: Capturing Consensus with Contrastive Learning in Group Recommendation
Sungkyunkwan University(成均馆大学)
C$^3$通过对比学习在群体推荐中捕捉共识,提升群体和用户推荐性能。
2026-02-26 cs.IR
Meta-optimized Contrastive Learning for Sequential Recommendation
针对现有对比学习方法在序列推荐中泛化性差且依赖大量训练数据的问题,本文提出MCLRec模型,通过结合数据与可学习模型增强生成对比视图,并利用元学习优化增强器及对比正则化项,在不增加数据量的前提下有效提升了对比对质量与推荐性能。
2023-11-21 cs.IR
Isotropy-Optimized Contrastive Learning for Semantic Course Recommendation
University of Ottawa(渥太华大学)
本文提出一种基于BERT的语义课程推荐系统,通过各向同性优化对比学习提升课程推荐准确性。
2026-01-16 cs.CL cs.IR
Generative Data Augmentation in Graph Contrastive Learning for Recommendation
Southwest University(西南大学);Chongqing Normal University(重庆师范大学)
针对推荐系统中稀疏交互导致嵌入学习效果差的问题,提出GDA4Rec框架,利用深度生成模型生成增强视图并提取物品补全矩阵,结合推荐、增强和对比学习的联合目标,在三个数据集上验证了有效性。
2025-10-10 cs.IR
Symmetric Graph Contrastive Learning against Noisy Views for Recommendation
Software College, Northeastern University(东北大学软件学院);School of Computer Science and Engineering, Northeastern University(东北大学计算机科学与工程学院)
针对图对比推荐中数据增强产生噪声视图而损害性能的问题,本文提出具有理论保证、模型无关的SGCL对称对比框架,并在三个数据集上验证其最高12.25%的相对提升。
2024-08-03 cs.AI cs.IR cs.LG
Don't Click the Bait: Title Debiasing News Recommendation via Cross-Field Contrastive Learning
针对新闻推荐中的标题党偏差问题,提出融合新闻摘要的TDNR-C2模型,通过多字段知识提取与跨域对比学习实现去偏,在真实数据集上性能优于现有最优方法。
2024-08-16 cs.IR
Rethinking Contrastive Learning in Session-based Recommendation
本文提出多模态自适应对比学习框架MACL,通过多模态增强生成语义一致的视图,并利用自适应对比损失区分正负信号贡献,在三个真实数据集上验证了其优于现有方法。
2025-06-05 cs.IR
Enhancing Sequential Music Recommendation with Negative Feedback-informed Contrastive Learning
针对序列音乐推荐场景,提出融合跳过等负反馈的序列感知对比子任务,优化会话嵌入空间结构,在三个数据集的多项指标上均取得稳定性能提升。
2024-09-11 cs.IR
CCL4Rec: Contrast over Contrastive Learning for Micro-video Recommendation
微视频推荐系统受到用户行为中普遍存在的噪声的影响,这可能使学习到的用户表示无差别,并导致琐碎的推荐(例如,流行的项目),甚至是奇怪的,远远超出了用户的兴趣。对比学习是一种新兴的技术,用于学习具有随机数据增强的区分表示。然而,现有的对比学习框架由于忽略了用户行为中的噪声,对所有的增强样本都一视同仁,不足以在推荐中学习出有区别的用户表征。为了弥补这一研究空白,我们提出了用于训练推荐模型的对比学习框架,名为CCL 4 Rec,它通过进一步对比增强的积极/消极与自适应拉/推强度,即,对比(vanilla)对比学习。为了适应这些对比,我们设计了硬度感知增强,跟踪被替换的查询用户的行为的重要性和替代品的相关性,从而确定增强的积极/消极的质量。硬度感知增强还允许可控的对比学习,从而导致性能增益和鲁棒训练。通过这种方式,CCL 4 Rec可以捕获给定用户的历史行为的细微差别,从而明确地屏蔽了学习到的用户表示,使其免受噪声行为的影响。我们在两个微视频推荐基准上进行了大量的实验,实验结果表明,CCL 4 Rec在模型参数少得多的情况下,可以达到与现有最先进方法相当的性能,并将训练/推理速度提高了几个数量级。
2022-08-17 cs.IR
ContrastVAE: Contrastive Variational AutoEncoder for Sequential Recommendation
University of Illinois at Chicago(伊利诺伊大学芝加哥分校);Salesforce(赛富时)
顺序推荐是一种利用用户行为序列中丰富信息的推荐方法,在实际推荐系统中得到了广泛的应用。然而,目前的方法存在以下问题:1)用户-项目交互的稀疏性,2)顺序记录的不确定性,3)长尾项目。在本文中,我们建议将对比学习纳入变分自编码器的框架中,以同时应对这些挑战。首先,我们介绍了一种新的训练目标,将传统的单视图ELBO扩展到双视图的情况下,并从理论上建立了VAE和对比学习之间的连接从双视图的角度。然后,我们提出了对比变分自编码器(简称ContrastVAE),一个两分支的VAE模型与对比正则化作为一个实施例的ContrastELBO顺序推荐。我们进一步介绍了两个简单而有效的增强策略,命名为模型增强和变分增强,以创建一个序列的第二个视图,从而使对比学习成为可能。在四个基准数据集上的实验证明了ContrastVAE和所提出的增强方法的有效性。代码可在https://github.com/YuWang-1024/ContrastVAE上获得
2022-12-05 cs.IR cs.LG
Noise Contrastive Estimation for Scalable Linear Models for One-Class Collaborative Filtering
以前的高度可扩展的一类协同过滤方法,如投影线性推荐(PLRec),主张使用快速随机SVD将项目嵌入到潜在空间中,然后使用线性回归方法来学习每个用户的个性化推荐模型。不幸的是,朴素SVD嵌入方法通常表现出流行性偏差,这会影响准确嵌入利基项的能力。为了解决这个问题,我们利用噪声对比估计(NCE)的见解,以获得一个封闭的形式,有效地可计算的“大众化”嵌入。虽然这种方法对于使用PureSVD等方法的直接推荐并不理想,因为流行度仍然在推荐中起着重要作用,但我们发现,在我们称为NCE-PLRec的新方法中,嵌入之后进行线性回归来学习个性化用户模型,利用了NCE的改进项嵌入,同时在最终推荐中校正其流行度无偏。推荐流行度分布的分析表明,NCE-PLRec均匀地分布在流行度频谱上的建议,而其他方法对特定的流行度子范围表现出明显的偏见,从而人为地限制了他们的建议。从经验上讲,NCE-PLRec在各种大规模推荐数据集上的表现优于最先进的方法以及各种消融。
2018-11-02 cs.IR
Multi-granularity Item-based Contrastive Recommendation
对比学习(CL)已经在推荐中显示出其强大的功能。然而,大多数基于CL的推荐模型仅仅关注用户的方面,忽略了项目中丰富多样的信息。在这项工作中,我们提出了一个新的多粒度基于项目的对比学习(MicRec)框架的匹配阶段(即,该方法系统地将多方面的项目相关信息引入到基于CL的表示学习中。具体来说,我们建立了三个基于项目的CL任务作为一组即插即用的辅助目标,以捕捉项目的相关性,在功能,语义和会话水平。特征级项目CL旨在通过项目及其增强来学习细粒度的特征级项目相关性。语义级项CL关注语义相关项之间的粗粒度语义相关性。会话级项目CL突出了来自所有会话中的用户顺序行为的项目的全局行为相关性。在实验中,我们进行离线和在线评估现实世界的数据集,验证了三个CL任务的有效性和普遍性。目前,MicRec已经部署在一个真实世界的推荐系统上,影响了数百万用户。源代码将在未来发布。
2022-11-02 cs.IR
Contrastive Learning for Interactive Recommendation in Fashion
推荐系统和搜索在促进在线时尚平台的个性化和易于浏览方面都是不可或缺的。然而,这两个工具往往独立运作,未能结合推荐系统的优势,以准确地捕捉用户的口味与搜索系统的能力,以处理用户的查询。我们提出了一种新的补救办法,这个问题的自动推荐个性化的时尚项目的基础上,用户提供的文本请求。我们提出的模型WhisperLite使用对比学习从自然语言文本中捕获用户意图,提高了时尚产品的推荐质量。WhisperLite将CLIP嵌入的强度与用于个性化的附加神经网络层相结合,并使用基于二进制交叉熵和对比损失的复合损失函数进行训练。该模型在从在线零售时尚商店收集的真实数据集上进行测试时,离线推荐检索指标得到了显着改善,以及在不同电子商务领域广泛使用的开源数据集,如餐馆,电影和电视节目,服装和鞋子评论。我们还进行了一项用户研究,捕捉用户对模型推荐项目的相关性的判断,确认WhisperLite的建议在在线设置中的相关性。
2022-07-25 cs.IR
Adaptive Graph Contrastive Learning for Recommendation
针对推荐数据稀疏、噪声及对比增强依赖人工试错的问题,提出 AdaGCL,用可训练的图生成与图去噪生成器构造自适应对比视图,并在三个真实数据集上验证其优于现有方法。
2023-07-13 cs.IR