对比图语义学习模型

精准推荐

通过原型对比学习与重加权负采样，在缓解数据稀疏与采样偏差的同时保持数据集内在结构。

温蜜 · Hongwei, Wang · Li, Weiwei · 范自柱 · Xiaoqing, Yu

Information Sciences 2025

技术优势

缓解数据稀疏

通过捕获潜在语义结构改善用户偏好表示，在稀疏交互数据上提升推荐质量。

校正采样偏差

采用重加权负采样算法，减少误导性“假阴性”样本，避免用户兴趣区分被扭曲。

过滤噪声干扰

原型对比学习增强用户交互与物品特征的判别能力，降低噪声影响。

保结构不牺牲精度

在提升推荐精度的同时保持数据集内在结构，避免过拟合或信息丢失。

应用场景

• 推荐系统：将CGSL嵌入现有推荐流程，提升稀疏场景下推荐精度。
• 用户偏好建模：用对比学习得到更准确的用户偏好表示，替代传统矩阵分解。
• 图神经网络：利用图神经网络捕获用户-物品图上的语义结构，增强表示能力。