本研究提出了基于知识图谱的推荐方法存在对高质量知识图谱的过度依赖问题，并介绍了两级无偏对比图学习（TDCGL）模型，该模型通过引入对比学习和降噪方法，解决了实体分布不均和噪声问题，从而提高推荐模型的性能。

Oct, 2023

本文通过对比学习的视角对推荐任务中的推荐损失进行了系统的研究，引入并研究了去偏 InfoNCE 和互信息神经估计（MINE）这两种损失函数，并通过下界分析将它们与 BPR 损失进行了关联和区分。此外，提出了去偏点对损失（适用于均方误差和余弦对比损失），并在理论上证明了 iALS 和 EASE 这两种最流行的线性模型本质上是去偏的。实证实验结果验证了去偏损失和新引入的互信息损失的有效性超过了现有的（有偏的）损失函数。

Dec, 2023

我们提供了一个大规模的数据集，以促进未来的研究和评估，随后我们提出了一种用于多模态检索和排序的广义对比学习方法 (GCL)，其设计用于从细粒度排序中学习，实验结果表明，与基线模型 CLIP 相比，GCL 在域内任务中的 NDCG@10 增加 94.5%，在冷启动评估中增加了 26.3 至 48.8%。

Apr, 2024

本文提出了一种 Mixed Supervised Graph Contrastive Learning for Recommendation (MixSGCL) 方法，通过将推荐和无监督对比损失的训练整合为一个监督对比学习损失，解决了当前基于图对比学习的推荐系统中优化方向不一致的问题，并通过节点和边的混合使得系统能够从现有的用户 - 物品交互中挖掘更多的直接监督协同过滤信号，从而提高了准确性和效率。

Apr, 2024

通过利用自我监督的推荐算法，本文提出了一种名为 RecDCL 的方法，它采用对比学习，解决了数据稀疏性和特征维度的问题，并在推荐任务中取得了优于现有模型的效果。

Jan, 2024

本研究利用对比学习方法，在已有预训练模型为基础上，训练对话生成模型，提高其多样性和能力以应对开放领域会话问题，并提出一种适用于广泛对话生成模型的群内对比学习框架，实验结果表明该方法在性能上表现优异。

Sep, 2020

这篇论文提出一种名为 SCL 的学习范式，支持图卷积神经网络，同时加入了数据预处理过程中节点之间的相似度计算和节点复制的数据增强方法，经实验证明可以提高推荐准确度和抗干扰能力。

Jan, 2022

本篇研究提出了一种基于图神经网络和图对比学习的协作过滤框架，通过自我监督学习进行自适应增强，实现目的的解耦和噪声抑制，将学习到的解耦表示与全局上下文结合，相比于现有的解决方案，具有更好的性能表现。

May, 2023

我们提出了一种新颖的对比学习方法，叫做反应扩散图对比学习模型 (RDGCL)，用于改进推荐系统的准确度和多样性。我们的方法结合了对比学习、图卷积网络和协同过滤技术，通过设计我们自己的图卷积网络以及扩散和反应方程，在推荐系统中实现了反应和扩散嵌入之间的对比学习，从而不需要图数据增强。在 6 个基准数据集上的实验评估表明，我们的方法优于目前最先进的基于对比学习的推荐模型。

Dec, 2023

该研究提出了一种名为 DCLR 的新框架，使用实例加权的方法惩罚误判造成的假负样本，并产生基于噪声的负样本，以确保表示空间的均匀性，提高自监督学习中的句子表示质量，并在七个语义文本相似性任务中实现了显著性能提升。

May, 2022