ترجمه فارسی مقاله یادگیری مقابله‌ای گراف متقارن در مقابل نماهای نویزی برای توصیه

چکیده

Graph Contrastive Learning (GCL) leverages data augmentation techniques to produce contrasting views, enhancing the accuracy of recommendation systems through learning the consistency between contrastive views. However, existing augmentation methods, such as directly perturbing interaction graph (e.g., node/edge dropout), may interfere with the original connections and generate poor contrasting views, resulting in sub-optimal performance. In this paper, we define the views that share only a small amount of information with the original graph due to poor data augmentation as noisy views (i.e., the last 20% of the views with a cosine similarity value less than 0.1 to the original view). We demonstrate through detailed experiments that noisy views will significantly degrade recommendation performance. Further, we propose a model-agnostic Symmetric Graph Contrastive Learning (SGCL) method with theoretical guarantees to address this issue. Specifically, we introduce symmetry theory into graph contrastive learning, based on which we propose a symmetric form and contrast loss resistant to noisy interference. We provide theoretical proof that our proposed SGCL method has a high tolerance to noisy views. Further demonstration is given by conducting extensive experiments on three real-world datasets. The experimental results demonstrate that our approach substantially increases recommendation accuracy, with relative improvements reaching as high as 12.25% over nine other competing models. These results highlight the efficacy of our method.

چکیده به فارسی (ترجمه ماشینی)

یادگیری متضاد نمودار (GCL) تکنیک های تقویت داده ها را برای تولید دیدگاه های متضاد ، افزایش می دهد و باعث افزایش دقت سیستم های توصیه از طریق یادگیری سازگاری بین نماهای متضاد می شود.با این حال ، روشهای تقویت موجود ، مانند نمودار تعامل مستقیم اختلال (به عنوان مثال ، ترک گره/لبه) ، ممکن است در اتصالات اصلی تداخل داشته و نماهای متضاد ضعیف ایجاد کند و در نتیجه عملکرد زیر بهینه باشد.در این مقاله ، ما دیدگاه هایی را تعریف می کنیم که فقط مقدار کمی از اطلاعات را با نمودار اصلی به دلیل افزایش داده های ضعیف به عنوان نمایش های پر سر و صدا به اشتراک می گذارند (یعنی 20 ٪ آخر نماها با یک مقدار شباهت کسین کمتر از 0.1 به نمای اصلی).ما از طریق آزمایش های دقیق نشان می دهیم که دیدگاه های پر سر و صدا عملکرد توصیه را به میزان قابل توجهی کاهش می دهد.علاوه بر این ، ما یک روش یادگیری متضاد متقارن مدل-آگنوستیک (SGCL) با ضمانت های نظری را برای پرداختن به این موضوع پیشنهاد می کنیم.به طور خاص ، ما تئوری تقارن را به یادگیری متضاد نمودار معرفی می کنیم ، که بر اساس آن یک فرم متقارن و از بین رفتن کنتراست در برابر تداخل پر سر و صدا پیشنهاد می کنیم.ما اثبات نظری را ارائه می دهیم که روش SGCL پیشنهادی ما تحمل بالایی نسبت به دیدگاه های پر سر و صدا دارد.نمایش بیشتر با انجام آزمایش های گسترده در سه مجموعه داده در دنیای واقعی ارائه می شود.نتایج تجربی نشان می دهد که رویکرد ما به طور قابل ملاحظه ای دقت توصیه را افزایش می دهد ، با پیشرفت های نسبی به 12.25 ٪ نسبت به نه مدل رقیب دیگر رسیده است.این نتایج اثربخشی روش ما را برجسته می کند.