GO-GCL图对比学习模型

降噪保语义推荐更稳

用Graphormer编码并通过奇异值分解进行对比增强，在保持语义结构的同时抑制噪声，提升推荐的通用性与鲁棒性。

Wang, Jing · 任江涛

Applied Soft Computing Journal 2024

技术优势

降噪保语义

使用奇异值分解生成对比视图，在抑制噪声的同时保留图的固有语义结构，避免随机扰动带来的信息损失。

稀疏数据更稳

在数据稀疏和流行度偏差下表现出优越性和鲁棒性，优于现有GCL方法。

无需随机增强

不依赖节点/边扰动等随机增强，而是通过SVD进行确定性的对比增强，避免了噪声引入。

应用场景

• 推荐系统：可直接集成到现有推荐系统，在稀疏数据和流行度偏差下提供更鲁棒的推荐结果。
• 图表示学习：将Graphormer与对比学习结合，为图表示学习提供一种保留语义结构的增强范式。
• 稀疏数据处理：通过SVD降噪和语义保留，改善极其稀疏数据下的表示质量，缓解数据稀疏问题。