对比学习在推荐中总结

对比学习研究方向：

• Data Argument
  • 提升原始样本和增强样本一致性，加大原始样本和其他样本的差异
  • 容易拉大同类样本的特征差异
• Sampling Strategy
  • 类似FB提出的hard negative样本
• Loss Function
  • 研究较多，NCE、infoNCE、SupConLoss等

---

对比学习在推荐系统中常见做法

• 作为单独一个辅助对比塔，增强对比样本的区分度

---

样本增强(Data Argument)

• Data Level的增强
  • 用户序列(Mask,Corp,Substitute,Insert等)
  • 方法多，需要先验知识，可能破坏原始数据结构
• Model Level的增强
  • 一般都是通过同一个模型获取不同的emb,然后设置对比学习任务

样本策略(Sampling Strategy)

• 主要是debias False Negative

Loss Function

• NCE Loss(交互item正例，噪声为负例)，NCE Loss 在负样本足够多时候，等效极大似然估计；
• infoNCE(NCE推广到多分类)

---

对比学习推荐应用