Disentangled Contrastive Learning for Social Recommendation
The Hong Kong Polytechnic University（香港理工大学）；Southern University of Science and Technology（南方科技大学）；Centre for Artificial Intelligence and Robotics (HKISI_CAS)（人工智能与机器人研究所（香港科学院_中国科学院））
针对统一用户表示难以刻画协同域与社交域异构行为的问题，提出 DcRec 框架，通过解耦用户表示及跨域解耦对比学习实现知识迁移，并在多个真实数据集上验证了优越性。
2023-10-03 cs.AI cs.IR
Supervised Contrastive Learning for Recommendation
School of Automation Engineering, University of Electronic Science and Technology of China（电子科技大学自动化工程学院）
在这项工作中，我们的目标是充分考虑对比学习在推荐系统的场景中的应用，使其更适合于推荐任务。我们提出了一种称为监督对比学习（SCL）的学习范式来支持图卷积神经网络。具体来说，我们在数据预处理时分别计算用户端和项目端不同节点之间的相似度，然后在应用对比学习时，不仅将增强后的视图作为正样本，还将一定数量的相似样本作为正样本，这与Simplified将一批中的其他样本作为负样本不同。我们在最先进的LightGCN上应用SCL。此外，为了考虑节点交互的不确定性，本文还提出了一种新的数据扩充方法--节点复制。在Gowalla、Yelp 2018、Amazon-Book数据集上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。
2022-04-19 cs.AI cs.IR
Contrastive Self-supervised Sequential Recommendation with Robust Augmentation
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Salesforce Research（Salesforce研究院）；UC San Diego（加州大学圣迭戈分校）
顺序推荐描述了一组对动态用户行为进行建模的技术，以便预测顺序用户数据中的未来交互。这些方法的核心是对序列中项目之间的转移概率进行建模，无论是通过马尔可夫链、递归网络还是最近的Transformers。然而，新老问题仍然存在，包括数据稀疏性和噪声数据;这些问题可能会影响性能，特别是在复杂的，参数饥饿的模型中。在本文中，我们研究应用对比自监督学习（SSL）的顺序推荐，作为一种方式来缓解这些问题。对比SSL从未标记的实例中构建增强，其中正对之间的协议最大化。由于顺序推荐的离散性、项目之间的相关性以及长度分布的偏斜性，设计用于顺序推荐的对比SSL框架具有挑战性。为此，我们提出了一个新的框架，对比自监督学习顺序推荐（CoSeRec）。我们引入了两个信息增强算子，利用项目相关性来创建高质量的对比学习视图。在三个真实数据集上的实验结果表明，该方法在提高模型性能和对稀疏和噪声数据的鲁棒性方面是有效的。我们的实现可在\url{https://github.com/YChen1993/CoSeRec}上在线获得
2021-08-14 cs.AI cs.IR
Hyperbolic Contrastive Learning with Model-augmentation for Knowledge-aware Recommendation
City University of Hong Kong（香港城市大学）
针对知识感知推荐中层次结构建模不足及图结构增强导致偏好偏移的问题，提出结合Lorentzian知识聚合与模型级增强的双曲对比学习方法，最高性能提升11.03%。
2025-05-13 cs.AI cs.IR
HGCL: Hierarchical Graph Contrastive Learning for User-Item Recommendation
Alibaba Group（阿里巴巴集团）
提出分层图对比学习（HGCL），通过跨层对比预训练和分层图微调，利用物品分层结构提升推荐准确性，在多个基准数据集上优于现有模型。
2025-05-25 cs.AI cs.IR
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
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
Mixed Supervised Graph Contrastive Learning for Recommendation
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
提出MixSGCL方法，将推荐与对比损失整合为监督对比学习损失以统一优化方向，并引入节点级和边级混合挖掘监督信号，有效缓解数据稀疏性，在准确率和效率上超越现有方法。
2024-04-25 cs.IR cs.LG
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
Contrastive Learning for Cold Start Recommendation with Adaptive Feature Fusion
Tulane University（杜兰大学）；University of Rochester（罗切斯特大学）；Syracuse University（雪城大学）；Shanghai Jiao Tong University（上海交通大学）；Southwest Jiaotong University（西南交通大学）
本文提出一种融合自适应特征选择、多模态特征融合与对比学习的冷启动推荐模型，在MovieLens-1M上显著优于主流方法，并验证了各模块的有效性。
2025-02-05 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
On the Sweet Spot of Contrastive Views for Knowledge-enhanced Recommendation
针对KG增强推荐难以平衡IG与KG对比视图的问题，提出SimKGCL框架，通过双视图互信息最大化与KG到IG的单向融合提升性能，并在三个真实数据集上验证了有效性与效率。
2023-09-23 cs.IR cs.LG
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
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
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
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
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
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
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
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
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
LightGCL: Simple Yet Effective Graph Contrastive Learning for Recommendation
University of Hong Kong（香港大学）
针对现有图对比学习推荐方法难保留语义结构、易受噪声干扰的问题，提出仅用奇异值分解做对比增强的LightGCL范式，在多个基准数据集上性能优于现有最优方法，且对数据稀疏性和流行度偏差鲁棒性更强。
2023-06-14 cs.IR cs.LG
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
Revisiting Recommendation Loss Functions through Contrastive Learning (Technical Report)
Kent State University（肯特州立大学）；William & Mary（威廉与玛丽学院）
本研究受对比学习启发系统梳理推荐损失函数，提出优化的InfoNCE+、新型解耦对比损失MINE+及去偏的Debiased CCL，还发现iALS等线性模型固有去偏性，实验验证了所提方法的有效性。
2024-11-04 cs.AI
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
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
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
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
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
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
(Debiased) Contrastive Learning Loss for Recommendation (Technical Report)
Kent State University（肯特州立大学）
该研究从对比学习视角系统梳理推荐系统各类损失，首次引入推荐场景下的去偏InfoNCE与MINE，提出去偏逐点损失并证明两类线性模型固有去偏性，实验验证新损失效果更优。
2024-11-04 cs.AI
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
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
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
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
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
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
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
Contrastive Learning Method for Sequential Recommendation based on Multi-Intention Disentanglement
College of Computer, Qinghai Normal University（青海师范大学计算机学院）；The State Key Laboratory of Tibetan Intelligent Information Processing and Application（藏语智能信息处理及应用国家重点实验室）；Tibetan Information Processing and Machine Translation Key Laboratory of Qinghai Province（青海省藏文信息处理与机器翻译重点实验室）；Key Laboratory of Tibetan Information Processing, Ministry of Education（藏文信息处理教育部重点实验室）
针对序列推荐中用户多重意图难以区分的问题，提出MIDCL，利用VAE解耦多意图并设计两类对比学习范式，提升推荐性能与可解释性。
2024-05-08 cs.AI cs.HC cs.IR
A Framework using Contrastive Learning for Classification with Noisy Labels
EURA NOVA BE
我们提出了一个框架，使用对比学习作为一个预训练任务来执行图像分类的存在噪声标签。最近的策略，如伪标记，高斯混合模型的样本选择，加权监督对比学习已被结合到一个微调阶段后的预训练。本文提供了一个广泛的实证研究表明，一个初步的对比学习步骤带来了显着的增益性能时，使用不同的损失函数：非鲁棒性，鲁棒性，和早期学习正则化。我们在标准基准测试和真实世界数据集上进行的实验表明：i）对比预训练增加了任何损失函数对噪声标签的鲁棒性，ii）额外的微调阶段可以进一步提高准确性，但代价是额外的复杂性。
2021-04-19 cs.CV 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
Robust Contrastive Learning against Noisy Views
MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）；Microsoft Research（微软研究院）
对比学习依赖于肯定对包含相关视图的假设，例如，图像的块或视频的共同出现的多模态信号，其共享关于实例的某些基础信息。但如果这个假设被违背了呢？文献表明，对比学习在存在噪声视图的情况下产生次优表示，例如，没有明显共享信息的假阳性对。在这项工作中，我们提出了一个新的对比损失函数，是强大的噪声视图。我们提供了严格的理论依据，显示连接到强大的对称损失的嘈杂的二进制分类，并通过建立一个新的对比界互信息最大化的基础上的Wasserstein距离测量。所提出的损失是完全模态不可知的，并且是InfoNCE损失的简单替代品，这使得它很容易应用于现有的对比框架。我们表明，我们的方法提供了一致的改进，在国家的最先进的图像，视频和图形对比学习基准，表现出各种现实世界的噪声模式。
2022-01-12 cs.CV 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
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
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
CoDiM: Learning with Noisy Labels via Contrastive Semi-Supervised Learning
Stony Brook University（石溪大学）；University of Washington（华盛顿大学）；Tencent AI Lab（腾讯人工智能实验室）
标签是昂贵的，有时不可靠。噪声标签学习、半监督学习和对比学习是用于设计需要较少注释成本的学习过程的三种不同策略。半监督学习和对比学习最近已经被证明可以改进处理带有噪声标签的数据集的学习策略。尽管如此，这些领域之间的内在联系以及将其优势结合在一起的潜力才刚刚开始出现。在本文中，我们探讨了进一步的方式和优势，他们融合。具体来说，我们提出了CSSL，一个统一的对比半监督学习算法，和CoDiM（对比DivideMix），一种新的算法，用于学习噪声标签。CSSL利用了经典半监督学习和对比学习技术的强大功能，并进一步适应CoDiM，它从多种类型和级别的标签噪声中进行鲁棒学习。我们表明，CoDiM带来了一致的改进，并在多个基准测试中取得了最先进的结果。
2021-11-23 cs.CV cs.LG
