图降噪编码器

无邻域聚合

该编码器无需邻域聚合即可避免过度平滑，并通过扰动增强对噪声的鲁棒性，使推荐系统在稀疏数据上仍能保持精度。

周魏 · Xianyi, Zhang · 文俊浩 · 王喜宾

Expert Systems with Applications 2025

技术优势

无需邻域聚合

通过图降噪编码器直接学习节点表示，避免了多层邻域聚合带来的过度平滑问题。

抗噪更稳

通过添加不同类型噪声进行对抗训练并利用对比学习聚焦关键特征，增强模型对交互噪声的鲁棒性。

稀疏也准

在多组基准数据集上实验表明，即使在稀疏数据条件下，CAGDE 仍能取得显著准确率提升。

应用场景

• 协同过滤：替代传统协同过滤方法，从稀疏交互中学习用户和物品表示以提升推荐精度。
• 推荐系统：部署为推荐系统的核心编码器，提升在真实噪声数据上的推荐效果。
• 图神经网络：作为一种无需聚合的图神经网络变体，可直接用于图结构特征提取。