RaDAR: 推薦のための関係性認識付き拡散-非対称グラフ対比学習

要旨: 協調フィルタリング（CF）による推奨は、グラフニューラルネットワーク（GNN）とグラフコントラスト学習（GCL）の統合によって大きく前進しています。しかし、(i) ランダムなエッジの摂動は重要な構造信号を歪め、拡張ビュー間の意味的整合性を低下させ、(ii) データのスパース性は協調信号の伝搬を妨げ、汎化を制限します。
これらの課題に取り組むため、RaDAR（Relation-aware Diffusion-Asymmetric Graph Contrastive Learning Framework for Recommendation Systems）を提案します。これは、グローバルな構造を捉えるグラフ生成モデルと、ノイズのあるエッジを洗練させる関係認識デノイジングモデルという二つの補完的なビュー生成メカニズムを組み合わせた新しいフレームワークです。
RaDARは三つの主要な革新を導入します: (1) ノイズを抑制しつつ意味的整合性を維持するグローバルなネガティブサンプリングを用いた非対称対比学習; (2) 進行的ノイズ注入とデノイジングを用いた拡散誘導型データ拡張で強靭性を高める; (3) 潜在ノード意味論に基づきエッジの重みを動的に調整する関係認識エッジリファインメント。
三つの公開ベンチマークにおける広範な実験は、RaDARが最先端手法を一貫して上回ることを示しており、特にノイズが多くスパースな条件下で顕著です。