[Paper] RaDAR：关系感知扩散-非对称图对比学习用于推荐

Source: arXiv - 2603.16800v1

请提供您希望翻译的具体文本内容（例如摘要、引言或全文的某一部分），我将按照要求保留源链接并将其翻译成简体中文。谢谢！

概述

本文介绍了 RaDAR，一个将图神经网络（GNNs）与图对比学习（GCL）相结合的新框架，用于提升协同过滤推荐系统。通过解决两个常见痛点——噪声边缘扰动和极端数据稀疏——RaDAR 在真实场景中能够提供更可靠的推荐，尤其是在用户‑物品交互图混乱且不完整的情况下。

关键贡献

• 全局负采样的非对称对比学习 – 在积极将不相关项目拉开的同时，保持正样本对的语义含义，减少随机增强导致的“语义漂移”。
• 扩散引导的增强 – 通过扩散过程逐步注入噪声并随后去噪，生成保留全局结构的鲁棒图视图。
• 关系感知的边缘细化 – 一个轻量级去噪模块，基于潜在节点语义实时重新加权边缘，有效剪除虚假连接。
• 统一的双视图生成流水线 – 将图生成模型（全局视图）与关系感知去噪器（局部视图）结合，捕获宏观模式和微观关系细节。
• 广泛的实证验证 – 在三个公开推荐基准上超越12个最先进的基线，在高噪声和高稀疏条件下取得最大提升。

方法论

1. 图构建 – 将用户‑物品交互矩阵转化为二分图，节点为用户或物品，边表示观测到的交互。
2. 视图生成
   • 全局视图：基于扩散的生成模型向邻接矩阵添加受控的随机扰动，然后执行扩散引导的去噪步骤。此过程在保留长程连通性的同时，使模型接触到多样的结构。
   • 局部（关系感知）视图：关系感知去噪网络检查每条边的潜在嵌入（由浅层 GNN 产生），并调整其权重，从而有效过滤噪声或不相关的连接。
3. 非对称对比目标 – 两个视图输入共享编码器。正样本对由同一节点在两个视图中的表示组成，负样本在 全局（批次中任意其他节点）采样，而不仅限于直接邻居。该损失促使同一节点的嵌入对齐，同时将不相关节点的嵌入拉开。
4. 训练循环 – 对比损失与标准推荐损失（如贝叶斯个性化排序）相结合，使模型既能区分好坏推荐，又能保持鲁棒的图表示。

整个流水线端到端可微，可在现有基于 GNN 的推荐系统中以最少的代码改动直接使用。

结果与发现

• 噪声鲁棒性： 当加入合成随机边（最高占总边的 30 %）时，RaDAR 的 HR@10 下降 <2 %，而竞争方法下降 >10 %。
• 稀疏性弹性： 仅保留 10 % 的交互时，RaDAR 仍比基线高出 7–9 % 的绝对 HR@10。
• 消融研究 表明，去除扩散增强或关系感知细化任一组件，性能均下降约 3 %，确认两者互为补充。

总体而言，实验表明即使底层图结构噪声较大或极度稀疏，RaDAR 仍能保持高推荐质量。

实际意义

• 使用更少数据获得更干净的嵌入: 开发者可以在无需海量交互日志的情况下实现强大的推荐性能，这对新平台或细分领域非常有价值。
• 即插即用模块: 非对称对比损失和基于扩散的增强器与框架无关（PyTorch、TensorFlow、DGL 等），便于直接集成到现有流水线中。
• 对数据漂移的鲁棒性: 在生产环境中，用户行为变化和偶发的日志错误会引入噪声；RaDAR 的去噪视图帮助模型随时间保持稳定，降低昂贵的重新训练频率。
• 边级可解释性: 关系感知的边权重可被检查，以识别可疑或低质量的交互，为数据工程师提供诊断工具。
• 可扩展训练: 全局负采样策略避免了成对负样本的二次成本，使 GPU 内存使用保持与标准 BPR 训练相当。

限制与未来工作

• 计算开销: 扩散引导的增强会增加额外的前向传播，使训练时间相比普通 GNN 推荐系统增加约 15–20 %。
• 超参数敏感性: 扩散的噪声调度和边权重阈值需要在每个数据集上仔细调优。
• 冷启动用户/项目: 虽然 RaDAR 缓解了稀疏性，但仍然需要至少少量交互；将框架扩展到使用侧信息（例如文本或视觉特征）是一个未解决的方向。
• 理论分析: 论文提供了鲁棒性的实证证据，但缺乏关于扩散噪声界限如何影响表征质量的正式保证。未来工作可以探索扩散过程与对比对齐之间更紧密的理论联系。

作者

• Yixuan Huang
• Jiawei Chen
• Shengfan Zhang
• Zongsheng Cao

论文信息

• arXiv ID: 2603.16800v1
• Categories: cs.LG
• Published: 2026年3月17日
• PDF: 下载 PDF