Your Graph Recommender Can Prove to Be a Single-View Graph Contrastive Learning

LightGCL是一种新的图对比学习范式，通过奇异值分解对图的对比增强进行调整，提升推荐系统的性能和鲁棒性。

GACN是一个生成对抗性对比学习网络，能够生成高质量的增强视图，优于多种基准方法，并符合在线网络中的优先连接规则。

低秩图对比学习（LR-GCL）通过低秩正则化进行原型对比学习，展示了在节点分类任务中的卓越性能和鲁棒性。

L2CL框架通过层对层对比学习解决推荐中的表征干扰和噪声问题，提高节点表示质量。

MixSGCL方法整合推荐和无监督对比损失，解决优化方向不一致的问题，提高了推荐系统的准确性和效率。

局部结构感知的图对比学习方法（LS-GCL）通过多层对比损失优化模型，在节点分类和链接预测任务上表现优于现有方法。

Graph Soft-Contrastive Learning (GSCL)通过邻域排序进行自我监督学习，无需依赖二元对比设置，保留邻域中的相对排序关系。

反应扩散图对比学习模型（RDGCL）结合对比学习和图卷积网络，提升推荐系统的准确度和多样性，优于现有模型。

Graph Group Discrimination (GGD)方法通过二元交叉熵损失直接区分节点样本，具有更高的计算效率和更少的训练轮数。