ترجمه فارسی مقاله تحلیل عاملی پنهان دو کاناله، یادگیری مقابله‌ای گراف بهبود یافته برای توصیه

چکیده

Graph Neural Networks (GNNs) are powerful learning methods for recommender systems owing to their robustness in handling complicated user-item interactions. Recently, the integration of contrastive learning with GNNs has demonstrated remarkable performance in recommender systems to handle the issue of highly sparse user-item interaction data. Yet, some available graph contrastive learning (GCL) techniques employ stochastic augmentation, i.e., nodes or edges are randomly perturbed on the user-item bipartite graph to construct contrastive views. Such a stochastic augmentation strategy not only brings noise perturbation but also cannot utilize global collaborative signals effectively. To address it, this study proposes a latent factor analysis (LFA) enhanced GCL approach, named LFA-GCL. Our model exclusively incorporates LFA to implement the unconstrained structural refinement, thereby obtaining an augmented global collaborative graph accurately without introducing noise signals. Experiments on four public datasets show that the proposed LFA-GCL outperforms the state-of-the-art models.

چکیده به فارسی (ترجمه ماشینی)

شبکه های عصبی نمودار (GNN) روشهای یادگیری قدرتمندی برای سیستم های پیشنهادی به دلیل استحکام آنها در رسیدگی به تعامل پیچیده کاربر و کاربر هستند.به تازگی ، ادغام یادگیری متضاد با GNN ، عملکرد قابل توجهی را در سیستم های توصیه کننده نشان داده است تا مسئله داده های تعامل بسیار پراکنده کاربر را برطرف کند.با این حال ، برخی از تکنیک های یادگیری متضاد (GCL) در دسترس از تقویت تصادفی استفاده می کنند ، یعنی گره ها یا لبه ها به طور تصادفی در نمودار دو طرفه مورد کاربر-مورد برای ایجاد نماهای متضاد آشفته می شوند.چنین استراتژی تقویت تصادفی نه تنها آشفتگی سر و صدا را به همراه می آورد بلکه نمی تواند از سیگنالهای مشترک جهانی به طور مؤثر استفاده کند.برای پرداختن به آن ، این مطالعه یک رویکرد GCL پیشرفته Analysis (LFA) را به نام LFA-GCL پیشنهاد می کند.مدل ما منحصراً LFA را برای اجرای پالایش ساختاری نامشخص در بر می گیرد و از این طریق بدون معرفی سیگنال های نویز ، یک نمودار مشترک جهانی افزوده را به طور دقیق بدست می آورد.آزمایشات در چهار مجموعه داده عمومی نشان می دهد که LFA-GCL پیشنهادی از مدل های پیشرفته بهتر است.