MixGCF: An Improved Training Method for Graph Neural
Network-based Recommender Systems
2021-KDD 清华唐杰老师
利用u-i图结构和GNN的聚合过程来研究GNN-CF中的负采样。提出了MixGCF，设计了hop mix技术来合成hard负样本。
3 THE MIXGCF METHOD
- positive mixing：插值混合法，将正样本中的信息注入到负样本，make hard 负样本
- hop mixing：使用hard负样本策略提取 unique information 从每一个生成的负样本，然后pooling
3.1 Positive Mixing
3.2 Hop Mixing
3.4 讨论
- 通用插件：即插即用
- 数据增强：可以看作增强，因为负样本是基于现有实例生成的
- 多个负样本近似：度量学习中指出在每次更新的损失函数中使用多个负实例，可以加快底层模型的收敛速度，并提供更好的性能；MixGCF通过hop-mixing提供多个负样本的近似
4 Experimental Settings
5 RELATED WORK
5.1 基于GNN的推荐
- PinSage、GC-MC、NGCF、LightGCN
- 利用side info：社交网络、知识图谱 …
5.2 推荐中的负采样 ?
解决RS中的one-class问题（只有正样本），负采样大致分为四类：
- Static Sampler 从一个固定的分布中进行负采样
- 均匀分布、流行度 指数 3/4
- GAN-based Sampler 基于生成对抗网络进行负采样
- IRGAN、KBGAN、AdvIR
- Hard Negative Sampler 为当前的用户自适应地选择 hardest 负样本
- DNS
- Graph-based Sampler 根据图信息进行负采样
- MCNS、KGPolicy、PinSage（基于Personalized PageRank）