Exploiting Negative Preference in Content-based Music Recommendation with Contrastive Learning
Seoul National University（首尔国立大学）
随着机器学习的发展，先进的音乐推荐系统正在被引入。然而，设计一个音乐推荐系统，能够通过理解用户的音乐品味来提高用户满意度，而不是通过模型的复杂性来提高用户满意度是至关重要的。尽管一些与利用负面偏好的音乐推荐系统相关的研究表明了性能的改善，但缺乏对它们如何导致更好的推荐的解释。在这项工作中，我们分析了用户的音乐品味的负面偏好的作用，通过比较音乐推荐模型与对比学习利用偏好（CLEP），但有三种不同的训练策略-利用偏好的积极和消极的（CLEP-PN），积极的（CLEP-P），和消极的（CLEP-N）。我们评估的有效性，通过验证每个系统与少量的个性化数据，通过调查获得的负面偏好，并进一步阐明利用负面偏好的音乐推荐的可能性。实验结果表明，CLEP-N在准确率和误报率方面优于其他两种方法。此外，所提出的训练策略产生了一致的趋势，无论不同类型的前端音乐特征提取器，证明了所提出的方法的稳定性。
2022-07-28 cs.IR cs.LG
Gaussian Graph with Prototypical Contrastive Learning in E-Commerce Bundle Recommendation
Alibaba Group（阿里巴巴集团）
提出GPCL框架，通过高斯分布嵌入和原型对比学习解决捆绑推荐中的不确定性与采样偏差问题，在公开数据集和真实平台取得最先进性能。
2023-07-25 cs.IR cs.LG
Knowledge Enhancement for Contrastive Multi-Behavior Recommendation
Nanjing University of Aeronautics and Astronautics（南京航空航天大学）；The University of Queensland（昆士兰大学）
一个设计良好的推荐系统可以准确地捕捉用户和项目的属性，反映个人的独特偏好。传统的推荐技术通常侧重于对用户和项目之间的单一类型的行为进行建模。然而，在许多实际的推荐场景中（例如，社交媒体、电子商务），在用户-物品关系中存在多种类型的交互行为，例如在线购物平台中的点击、标记为收藏和购买。因此，如何充分利用多行为信息进行推荐对现有系统具有重要意义，这在两个方面提出了挑战：（1）利用用户的个性化偏好捕获多行为依赖关系;（2）处理目标行为监督信号稀疏导致的推荐不足。在这项工作中，我们提出了一个知识增强多行为对比学习推荐（KMIPs）框架，包括两个对比学习任务和三个功能模块，以应对上述挑战，分别。特别地，我们设计了多行为学习模块来提取用户的个性化行为信息以进行用户嵌入增强，并在知识增强模块中利用知识图谱来获得更鲁棒的知识感知表示。此外，在优化阶段，我们对用户多行为之间的粗粒度共性和细粒度差异进行建模，以进一步提高推荐效果。在三个真实数据集上进行的大量实验和消融测试表明，我们的KMprone优于各种最先进的推荐方法，并验证了我们的方法的有效性。
2023-03-03 cs.IR cs.LG
Knowledge-Aware Multi-Intent Contrastive Learning for Multi-Behavior Recommendation
School of Information Science and Engineering, Yanshan University（燕山大学信息科学与工程学院）；School of Information Science and Engineering, Xinjiang College Of Science & Technology（新疆科学技术学院信息科学与工程学院）
提出知识感知多意图对比学习模型，利用知识图谱构建意图并采用双对比学习缓解数据稀疏，提升多行为推荐的准确性。
2024-04-18 cs.IR cs.LG
ID and Graph View Contrastive Learning with Multi-View Attention Fusion for Sequential Recommendation
Worcester Polytechnic Institute（沃斯特理工大学）
本文提出MVCrec框架，通过融合序列和图视角的互补信号，改进用户和物品表示，在五大数据集上优于现有方法，提升NDCG@10和HitRatio@10指标。
2026-04-15 cs.IR cs.LG
Dual-Channel Latent Factor Analysis Enhanced Graph Contrastive Learning for Recommendation
Chongqing University of Posts and Telecommunications（重庆邮电大学）；Southwest University（西南大学）
针对图对比推荐中随机增强引入噪声且难利用全局协同信号的问题，提出LFA-GCL，通过潜在因子分析进行无约束结构精化并构建全局协同图，在四个公开数据集上优于现有方法。
2024-08-09 cs.IR cs.LG
POI Recommendation with LLM-Augmented Multi-Graph Learning and Contrastive Alignment
Institute for Digital Transformation - University of Applied Sciences Ravensburg-Weingarten（拉芬斯堡-魏恩加腾应用科学大学数字转型研究所）
该研究针对POI推荐的物品冷启动问题，提出LLM-MGCL模型，结合语义、地理与交互多图及对比学习，在Yelp数据集上显著优于基线模型，缓解了冷启动问题。
2026-10-23 cs.IR cs.LG
Hyper Meta-Path Contrastive Learning for Multi-Behavior Recommendation
University of Technology Sydney（悉尼科技大学）；Wuhan University of Technology（武汉理工大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
多行为信息下的用户购买预测仍然是当前推荐系统的一个挑战性问题。已经提出了各种方法来通过利用图神经网络（GNN）或多任务学习的优点来解决它。然而，大多数现有的工作没有考虑到用户的不同行为之间的复杂依赖关系。它们利用简单而固定的方案，如邻域信息聚合或向量的数学计算，融合不同用户行为的嵌入，以获得一个统一的嵌入来表示用户的行为模式，这将用于下游的推荐任务。为了解决这一问题，本文首先提出了超元路径的概念来构造超元路径或超元图，以明确地表示用户不同行为之间的依赖关系。如何从超元路径中为用户获得统一的嵌入，同时避免前面提到的限制是至关重要的。由于图对比学习最近的成功，我们利用它来学习用户行为模式的自适应嵌入，而不是分配一个固定的方案来理解不同行为之间的依赖关系。通过与超元路径的耦合，提出了一种新的基于图的对比学习框架HMG-CR，在大量的对比实验中，该框架的性能始终显著优于所有基线。
2021-09-07 cs.IR cs.LG
Dual Adversarial Perturbators Generate rich Views for Recommendation
Nanjing University of Aeronautics and Astronautics（南京航空航天大学）；Nanjing University（南京大学）
针对图对比学习推荐中对比视图差异过大易导致性能下降或训练崩溃的问题，提出双重对抗图学习方法AvoGCL，通过逐步施加对抗训练模拟课程学习，在三个真实数据集上性能显著优于现有最优方法。
2024-08-26 cs.IR cs.LG
DisCo: Graph-Based Disentangled Contrastive Learning for Cold-Start Cross-Domain Recommendation
Peking University（北京大学）；University of International Business and Economics（对外经济贸易大学）；University of Washington（华盛顿大学）；Sichuan University（四川大学）
针对用户冷启动问题，本文提出基于图的解耦对比学习框架DisCo，通过多通道图编码器捕捉细粒度用户意图、构建亲和图与随机游走获取用户相似性，并结合意图级对比学习优化跨域迁移，在四个基准数据集上优于现有基线。
2025-02-12 cs.IR cs.LG
QoS-Aware Graph Contrastive Learning for Web Service Recommendation
Yonsei University（延世大学）；Jeonbuk National University（全北国立大学）
针对Web服务推荐中的数据稀疏和冷启动问题，提出QAGCL模型，利用图对比学习构建包含地理位置信息的增强图以学习嵌入，有效提升了QoS感知推荐的准确性。
2024-01-06 cs.IR cs.LG cs.SE
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
Multi-intent Aware Contrastive Learning for Sequential Recommendation
Shenzhen University（深圳大学）；Shenzhen Technology University（深圳技术大学）
针对现有对比学习序列推荐模型依赖单意图表示、过度简化真实场景的问题，提出多意图感知的对比学习思路，指出融入多意图信息的序列推荐模型能更准确反映真实推荐场景。
2024-09-13 cs.LG
Adversarial Learning Data Augmentation for Graph Contrastive Learning in Recommendation
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Tencent（腾讯）
近年来，图神经网络（GNNs）在推荐方面取得了显著的成功.为了减少数据稀疏性的影响，图对比学习（GCL）被用于基于GNN的CF方法，以提高性能。大多数GCL方法包括数据增强和对比损失（例如，InfoNCE）。GCL方法通过手工制作的图增强来构建对比对，并最大化同一节点的不同视图与其他节点的视图之间的一致性，这被称为InfoMax原则。然而，不适当的数据增强会阻碍GCL的性能。InfoMin原则，即良好的视图集共享最少的信息，并为设计更好的数据增强提供指导。在本文中，我们首先提出了一种新的数据增强（即，边缘操作包括边缘增加和边缘减少）。在此基础上，提出了一个基于信息最小化原理的对比学习框架--可学习的数据增强对比学习（LDA-GCL）。我们的方法包括数据增强学习和图对比学习，分别遵循InfoMin和InfoMax原则。在实现中，我们的方法优化了对抗损失函数，以学习数据增强和用户和项目的有效表示。在四个公共基准数据集上的实验证明了LDA-GCL的有效性。
2023-02-05 cs.IR cs.LG cs.SI
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
Intent-aware Multi-source Contrastive Alignment for Tag-enhanced Recommendation
McGill University（麦吉尔大学）；MILA - Quebec AI Institute（MILA——魁北克人工智能研究所）；City University of Hong Kong（香港城市大学）
为了提供准确和多样化的推荐服务，最近的方法使用辅助信息来促进用户和项目表示的学习过程。许多SOTA方法融合了不同的信息源（用户、项目、知识图谱、标签等）。并使用图神经网络通过消息传递范式引入辅助信息。在这项工作中，我们寻求一个替代框架，是轻和有效的，通过自监督学习在不同的信息源，特别是对于常见的项目标签信息。我们使用自我监督信号将用户与他们之前交互过的项目相关的辅助信息配对。为了实现配对，我们创建了一个代理训练任务。对于给定的项目，该模型预测从与该项目交互的用户获得的表示与分配的标签之间的正确配对。该设计提供了一种有效的解决方案，直接使用辅助信息来提高用户和项目嵌入的质量。推荐系统中的用户行为是由决策过程背后的许多因素的复杂交互驱动的。为了使配对过程更细粒度并避免嵌入崩溃，我们提出了一种意图感知的自监督配对过程，将用户嵌入拆分为多个子嵌入向量。每个子嵌入向量通过与特定标签集群的自监督对齐来捕获特定的用户意图。我们将我们设计的框架与各种推荐模型相结合，展示了它的灵活性和兼容性。通过在7个真实数据集上与众多SOTA方法的比较，我们表明我们的方法可以在需要更少训练时间的情况下获得更好的性能。这表明了将我们的方法应用于网络规模数据集的潜力。
2022-11-11 cs.IR cs.LG
PCR-CA: Parallel Codebook Representations with Contrastive Alignment for Multiple-Category App Recommendation
Microsoft Suzhou China（微软苏州中国）；Microsoft Beijing China（微软北京中国）；Microsoft Redmond WA USA（微软雷德蒙德华盛顿州美国）
提出PCR-CA框架，通过并行码本VQ-AE模块学习多类别应用的离散语义表示，结合对比对齐损失和双注意力融合，提升CTR预测，尤其对长尾应用效果显著。
2026-06-15 cs.IR cs.LG
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
Multi-view Multi-behavior Contrastive Learning in Recommendation
University of Chinese Academy of Sciences（中国科学院大学）；Tencent（腾讯）；Beihang University（北京航空航天大学）；Xiamen Institute of Data Intelligence（厦门数据智能研究院）
多行为推荐（MBR）旨在联合考虑多个行为以提高目标行为的性能。我们认为MBR模型应该：（1）对用户不同行为之间的粗粒度共性进行建模，（2）在多行为建模中考虑个体序列视图和全局图视图，（3）捕获用户多个行为之间的细粒度差异。在这项工作中，我们提出了一种新的多行为多视图对比学习推荐（MMP-Relationship）框架，包括三个新的CL任务，以解决上述挑战，分别。多行为CL旨在使同一用户在每个视图中的不同用户单行为表示相似。多视图CL试图弥合用户的序列视图和图形视图表示之间的差距。行为区别CL侧重于对不同行为的细粒度差异进行建模。在实验中，我们进行了广泛的评估和消融测试，以验证MMMOS和各种CL任务在两个真实世界数据集上的有效性，实现SOTA性能超过现有基线。我们的代码将在\url{https://github.com/wyqing20/MMCLR}上提供
2022-03-20 cs.AI cs.IR cs.LG
FedCL: Federated Contrastive Learning for Privacy-Preserving Recommendation
Tsinghua University（清华大学）；Microsoft Research Asia（微软亚洲研究院）
对比学习被广泛用于推荐模型学习，其中选择具有代表性和信息丰富的负样本是至关重要的。现有的方法通常集中在集中的数据，其中丰富和高质量的负样本很容易获得。然而，集中的用户数据存储和利用可能会导致隐私风险和担忧，而单个客户端上的分散用户数据对于精确的对比学习来说可能过于稀疏和有偏见。本文提出了一种用于隐私保护推荐的联邦对比学习方法FedCL，该方法可以利用高质量的负样本进行有效的模型训练，同时很好地保护了隐私。我们首先通过每个客户端上的本地模型从本地用户数据中推断用户嵌入，然后在将它们发送到中央服务器进行硬负采样之前，使用本地差分隐私（LDP）对其进行扰动。由于个体用户嵌入包含大量的噪声，由于LDP，我们建议在服务器上聚类用户嵌入，以减轻噪声的影响，并使用聚类中心从项目池中检索硬负样本。这些硬阴性样本被交付给用户客户端，并与来自本地数据的观察到的阴性样本以及由阳性样本构建的批量阴性样本混合，用于联邦模型训练。在四个基准数据集上的大量实验表明，FedCL可以以隐私保护的方式为各种推荐方法提供支持。
2022-04-21 cs.LG
Separated Contrastive Learning for Matching in Cross-domain Recommendation with Curriculum Scheduling
Huawei Technologies Co., Ltd.（华为技术有限公司）
针对跨域推荐中混合对比学习训练不稳定的问题，提出SCCDR框架，通过分离域内与域间对比学习及课程调度策略，提升表示质量，在多个数据集和在线测试中达到最优性能。
2025-02-22 cs.IR cs.LG cs.SI
Self Contrastive Learning for Session-based Recommendation
University College London（伦敦大学学院）
提出自对比学习（SCL），通过直接优化物品表示均匀分布，无需正负样本构建或数据增强，显著提升会话推荐最先进模型的性能，在三个基准上平均提高P@10达8.2%-9.5%，MRR@10达9.9%-11.2%。
2023-12-20 cs.AI cs.IR cs.LG
RaDAR: Relation-aware Diffusion-Asymmetric Graph Contrastive Learning for Recommendation
University of Electronic Science and Technology of China（电子科技大学）；National University of Defense Technology（国防科技大学）；Tsinghua University（清华大学）
RaDAR通过结合图生成模型和关系感知去噪模型，解决图对比学习中边扰动和数据稀疏的问题，提升推荐系统在噪声和稀疏条件下的性能。
2026-03-17 cs.LG
CALRec: Contrastive Alignment of Generative LLMs for Sequential Recommendation
University of Cambridge（剑桥大学）；Google（谷歌公司）
提出CALRec两阶段LLM微调框架，结合对比损失与语言建模损失，显著提升序列推荐性能并超越基线。
2024-08-23 cs.AI cs.CL cs.IR
Improving Contrastive Learning with Model Augmentation
Salesforce Research（赛富时研究院）；Arizona State University（亚利桑那州立大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
序列推荐的目的是预测用户行为中的下一个项目，可以通过描述序列中项目之间的关系来解决。针对序列中数据稀疏性和噪声问题，提出了一种新的自监督学习（SSL）方法，利用序列正反两个视角之间的对比学习来提高学习性能。然而，现有的方法都是从数据的角度采用增强来构建视图，而我们认为：1）最佳的数据增强方法很难设计，2）数据增强方法破坏序列相关性，3）数据增强未能纳入全面的自监督信号。因此，我们调查的可能性模型增强构建视图对。我们提出了三个层次的模型增强方法：神经元掩蔽，层下降，和编码器补充。这项工作开辟了一个新的方向，在构建对比SSL的意见。实验验证了模型增强方法在SSL序列推荐中的有效性。代码为\footnote{\url{https://github.com/salesforce/SRMA}}。
2022-03-25 cs.AI cs.IR cs.LG
Contrastive Learning on Medical Intents for Sequential Prescription Recommendation
University of Kansas（堪萨斯大学）；University of Florida（佛罗里达大学）
针对处方推荐中医疗意图多样性与时序关系复杂性问题，提出基于多级Transformer和对比学习的ARCI模型，在真实数据集上超越现有方法并提供可解释洞察。
2024-08-13 cs.AI cs.LG
PEARL: Unbiased Percentile Estimation via Contrastive Learning for Industrial-Scale Livestream Recommendation
TikTok（字节跳动）；ByteDance（字节跳动）
本文提出PEARL框架，通过对比学习方法解决用户行为不平衡问题，通过相对偏好信号建模提升推荐系统的性能和鲁棒性。
2026-05-20 cs.AI cs.LG
Empowering Contrastive Federated Sequential Recommendation with LLMs
通过整合大型语言模型作为本地语义生成器，LUMOS在联邦序列推荐中提升模型性能，增强隐私保护下的推荐系统鲁棒性。
2026-02-10 cs.AI cs.DB cs.LG
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
Adversarial and Contrastive Variational Autoencoder for Sequential Recommendation
Shanghai Jiao Tong University（上海交通大学）；University of Michigan-Shanghai Jiao Tong University Joint Institute（密歇根大学-上海交通大学联合学院）；School of Cyber Science and Engineering（网络空间科学与工程学院）；School of Software（软件学院）
序贯推荐作为一个新兴的研究课题，由于其重要的现实意义而受到越来越多的关注。基于深度学习和注意力机制的模型在顺序推荐中取得了良好的性能。近年来，基于变分自编码器（VAE）的生成式模型在协同过滤中显示出独特的优势。特别地，序列VAE模型作为VAE的递归版本，可以有效地捕获用户序列中项目之间的时间依赖性并执行序列推荐。然而，基于VAE的模型遭受一个共同的限制，即所获得的近似后验分布的代表性能力是有限的，从而导致生成的样本的质量较低。对于生成序列尤其如此。为了解决上述问题，在这项工作中，我们提出了一种新的方法称为对抗和对比变分自编码器（ACVAE）的顺序推荐。具体来说，我们首先介绍了在对抗变分贝叶斯（AVB）框架下用于序列生成的对抗训练，这使得我们的模型能够生成高质量的潜变量。然后，我们使用对比损失。潜变量将能够通过最小化对比损失来学习更多个性化和显著的特征。此外，在对序列进行编码时，我们采用了递归和卷积结构来捕获序列中的全局和局部关系。最后，我们在四个真实世界的数据集上进行了广泛的实验。实验结果表明，我们提出的ACVAE模型优于其他国家的最先进的方法。
2021-03-19 cs.IR cs.LG
Taming the One-Epoch Phenomenon in Online Recommendation System by Two-stage Contrastive ID Pre-training
Pinterest Inc.（Pintrix公司）
针对在线推荐系统嵌入易过拟合导致的单轮训练问题，提出两阶段对比ID预训练策略，扩大数据覆盖并提升泛化，在Pinterest部署后显著提升参与度。
2025-08-26 cs.IR cs.LG
Model-enhanced Contrastive Reinforcement Learning for Sequential Recommendation
University of Science and Technology of China（中国科学技术大学）；University of Technology Sydney（悉尼科技大学）
针对离线推荐中奖励信号和状态转换稀疏及负反馈缺失导致的过高估计问题，提出模型增强对比强化学习（MCRL），通过保守价值学习机制与对比学习挖掘MDP内部结构，显著优于现有方法。
2023-10-25 cs.IR cs.LG
Towards Open-world Cross-Domain Sequential Recommendation: A Model-Agnostic Contrastive Denoising Approach
Rutgers University（罗格斯大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；MYbank, Ant Group（蚂蚁集团 MYbank）
针对开放世界跨域序列推荐中长尾和冷启动用户导致的性能下降及多行为语义鸿沟问题，提出一种模型无关的对比去噪方法以提升推荐一致性与有效性。
2024-06-05 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
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
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
RecipeRec: A Heterogeneous Graph Learning Model for Recipe Recommendation
University of Notre Dame（圣母大学）；Brandeis University（布兰迪斯大学）；University of Hong Kong（香港大学）
食谱推荐系统在帮助人们决定吃什么方面起着至关重要的作用。现有的食谱推荐系统通常集中在基于内容或协同过滤的方法，忽略了高阶的合作信号，如用户，食谱和食品之间的关系结构信息。在本文中，我们形式化的食谱推荐问题与图，将合作信号纳入食谱推荐通过图建模。特别是，我们首先提出了URI图，一个新的和大规模的用户配方成分图。然后，我们提出了RecipeRec，一种新的异构图形学习模型的食谱推荐。该模型通过一个具有层次注意力的异构图神经网络和一个配料集转换器Transformer来捕获菜谱内容和协作信号。我们还引入了一个图对比增强策略，以自监督的方式提取信息丰富的图知识。最后，我们设计了一个推荐和对比学习的联合目标函数来优化模型。大量的实验表明，RecipeRec优于最先进的方法的食谱推荐。数据集和代码可在https://github.com/meettyj/RecipeRec上获得。
2022-05-24 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
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
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
Graph Augmentation for Recommendation
University of Hong Kong（香港大学）；Aalborg University（奥尔堡大学）
针对推荐系统中对比学习数据噪声及GNN过平滑问题，提出GraphAug框架，利用GIB正则化生成去噪自监督信号并自适应调整对比视图，显著提升推荐性能。
2024-03-25 cs.IR cs.LG
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
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
Generative Data Augmentation in Graph Contrastive Learning for Recommendation
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
