SGL的自监督图学习，图结构增强（边丢弃、特征掩码）的有效性？
SGL (Self-supervised Graph Learning) 在图推荐模型（如 LightGCN）上引入自监督辅助任务：对同一图做多种增强得到不同视图，要求同一节点在不同视图下的表示一致、不同节点区分开，即典型的 contrastive learning。主任务仍是推荐（如 BPR），辅助任务为对比损失，二者联合训练，使嵌入既满足协同信号又具备更好的泛化与鲁棒性。
边丢弃 (edge dropout)：随机以概率 $p$ 丢弃图中的边，得到稀疏子图；做两次独立边丢弃得到两个视图，同一节点在两个子图上的表示（经同一 GNN 编码）应接近。增强后的图仍保持局部结构，但迫使模型不过度依赖单条边，学到更稳健的表示。节点/特征掩码 (feature masking)：随机将部分节点特征置零或加噪声，再经 GNN；两次独立掩码得到两视图。迫使模型利用邻居与结构补偿缺失特征，增强鲁棒性。形式化：视图 $\mathcal{G}_1, \mathcal{G}_2$ 由增强得到，$z_u^{(1)}, z_u^{(2)}$ 为节点 $u$ 在两视图的表示，对比损失（如 InfoNCE）为 \(\mathcal{L}_{ssl} = -\log \frac{\exp(z_u^{(1)\top} z_u^{(2)}/\tau)}{\sum_v \exp(z_u^{(1)\top} z_v^{(2)}/\tau)}.\)
边丢弃：相当于对结构的正则，防止过拟合少数强边；多视图对比要求「结构变化下表示稳定」，等价于学习结构不变的语义。特征掩码：类似 BERT 的 mask，利用上下文补全，增强对缺失/噪声的鲁棒性。二者结合能提升冷启动、长尾与稀疏场景下的表现，实验上 SGL 在多个基准上优于仅用 BPR 的 LightGCN。
| 返回模块 | 返回总览 |