Beyond Instance-Level Alignment and Uniformity: Semantic Factor Learning for Collaborative Filtering
超越实例级对齐与均匀性：面向协同过滤的语义因子学习
🧭 协同过滤 · 语义增强正例扩充 ★ 深度解读
Guilin University of Electronic Technology · Johns Hopkins University
通过语义因子匹配发现假负例并构造潜在正例对，在未扩展图结构的MF框架下捕获高阶协同信号，显著提升稀疏数据下的推荐精度与效率。
📌 工作参考价值（4 点）
- 提出 Semantic Factor Routing (SFR) 模块，用迭代软路由从 item 嵌入中解耦出全局语义因子，可作为即插即用组件放入现有 MF/GCN 推荐模型中，提升对稀疏行为的建模能力。
- Semantic Factor Matching (SFM) 通过匹配共享语义因子的未交互 item 来扩充正例信号，缓解隐式反馈中假负例问题；该思想可直接迁移到电商推荐中处理冷启动物品或长尾用户。
- 整体框架 SaFeAU 完全基于矩阵分解，无需图卷积即可达到甚至超越 GCN 方法的效果，训练复杂度低，易于在百万级交互的电商场景中部署。
- 对均匀性（Uniformity）损失的权重调优发现：数据越稀疏，均匀性正则化越重要；这一结论可用于指导损失函数中正例扩充项与均匀项的比例设置。