对比学习 Contrastive Learning

概述

一种通过拉近正样本对、推远负样本对来学习高质量表征的机器学习范式，在推荐系统中用于增强用户和物品的向量表示。

关键内容

1. 核心思想：通过构造正样本对（相似实例）和负样本对（不同实例），训练模型使正样本对在表征空间中靠近、负样本对远离。典型损失函数为 InfoNCE/NT-Xent。

2. 与 BPR 的对应关系：BPR 可理解为对比学习的早期实践。BPR 的正样本 = 用户交互过的物品，负样本 = 用户未交互的物品，损失函数 ln σ(x̂_ui - x̂_uj) 与 InfoNCE 结构一致。当 InfoNCE 只使用一个负样本时退化为 BPR Loss。

3. 现代图对比学习推荐：SGL、SimGCL、LightGCL 等模型组合两种损失：L = L_BPR + λ · L_CL，其中 L_BPR 负责排序学习，L_CL 负责表征学习，两者互补提升推荐质量。

4. 与 BPR 的关键差异： | 维度 | BPR (2009) | 现代对比学习 (SimCLR 等) | |------|-----------|------------------------| | 正样本 | 用户交互过的物品 | 同一实例的不同增强视图 | | 负样本 | 用户未交互的物品 | 不同实例 | | 采样策略 | 均匀随机采样 | Mini-batch 内采样 |

5. 数据增强策略：对比学习依赖数据增强构造正样本对，在推荐系统中常见的增强方式包括图结构扰动（边 dropout）、特征掩码、视图生成等。

6. 在推荐系统中的价值：对比学习通过自监督信号增强表征质量，尤其在数据稀疏场景下能有效缓解冷启动问题，提升模型的泛化能力。

来源

• BPR 论文 — Rendle et al. (2009) UAI 2009, 现代视角审视：对比学习先驱分析

相关

• BPR — compares_to
• 负采样 — uses
• InfoNCE — implements