ReChorus - CoGCL 模型复现版本

本项目基于 ReChorus 2.0 框架，成功复现了 CoGCL (Contrastive Graph Collaborative Learning) 模型。并实现了 QER (量化增强表示) 作为 CoGCL 的改进功能。

原始论文: Enhancing Graph Contrastive Learning with Reliable and Informative Augmentation for Recommendation

项目简介

CoGCL 是一种基于图对比学习的推荐算法，旨在解决用户行为数据的稀疏性问题。本项目将 CoGCL 从 RecBole 框架完整迁移到了 ReChorus 框架中，并实现了以下核心特性：

• 向量量化: 引入端到端的残差量化机制，学习具有强协同信号的离散编码。
• 智能图增强: 基于学习到的离散编码，生成可靠的“虚拟邻居”，而非随机扰动。
• 多视图对比学习: 结合结构视图（图增强）和语义视图（语义相关性采样）进行联合优化。

👉项目报告

实验结果

我们在 Grocery_and_Gourmet_Food 和 MovieLens-1M两个数据集上进行了对比实验。

性能对比

Grocery_and_Gourmet_Food 数据集

模型	HR@5	NDCG@5	HR@10	NDCG@10	HR@20	NDCG@20	HR@50	NDCG@50
BPRMF	0.3191	0.2195	0.4222	0.2529	0.5304	0.2801	0.7412	0.3216
LightGCN	0.3710	0.2566	0.4925	0.2961	0.6132	0.3266	0.8187	0.3671
CoGCL	0.4000	0.2799	0.5158	0.3175	0.6281	0.3459	0.8196	0.3837

MovieLens-1M 数据集

模型	HR@5	NDCG@5	HR@10	NDCG@10	HR@20	NDCG@20	HR@50	NDCG@50
BPRMF	0.3764	0.2515	0.5516	0.3081	0.7146	0.3422	0.9493	0.3977
LightGCN	0.3702	0.2477	0.5356	0.3008	0.6887	0.3409	0.8989	0.3781
CoGCL	0.3761	0.2580	0.5495	0.3138	0.7400	0.3621	0.9465	0.4035

快速开始

我们的实验运行环境为Ubuntu 22.04, cuda11.8, 使用一张4060Ti 16GB显卡。

1. 环境准备

确保安装 PyTorch 和 PyTorch Geometric。 这里的requirements.txt是原始项目自带，如果冲突可以不要指定版本的包。

pip install -r requirements.txt
# 额外依赖
pip install torch-geometric

2. 数据准备

使用本项目提供的脚本预处理 MovieLens-1M 数据：

python data/MovieLens-1M/prepare_movielens.py

3. 实验运行指南

3.1 超参数搜索

本项目使用 Optuna 框架进行自动化超参数搜索。 ！如果要运行optuna的代码请自行再安装optuna和optuna-dashboard

Grocery_and_Gourmet_Food:

python run_optuna.py \
    --model_name CoGCL \
    --dataset Grocery_and_Gourmet_Food \
    --n_trials 100 \
    --epoch 100 \
    --gpu 0 

MovieLens-1M:

python run_optuna.py \
    --model_name CoGCL \
    --dataset MovieLens_1M \
    --n_trials 100 \
    --epoch 100 \
    --gpu 0 

3.2 复现最佳结果

基于我们的搜索结果，使用以下命令可直接复现报告中的性能。

Grocery_and_Gourmet_Food:

python src/main.py --model_name CoGCL --dataset Grocery_and_Gourmet_Food \
      --vq_loss_weight 0.008 \
      --cl_weight 0.03 \
      --sim_cl_weight 0.5 \
      --graph_replace_p 0.42 \
      --graph_add_p 0.44 \
      --drop_p 0.05 \
      --n_layers 1 \
      --lr 0.0033 \
      --l2 4e-6 \
      --cl_tau 0.47

MovieLens-1M:

python src/main.py --model_name CoGCL --dataset MovieLens_1M \
      --vq_loss_weight 0.00179 \
      --cl_weight 0.0130 \
      --sim_cl_weight 0.877 \
      --graph_replace_p 0.0735 \
      --graph_add_p 0.378 \
      --drop_p 0.455 \
      --n_layers 4 \
      --lr 0.00101 \
      --l2 1.14e-07 \
      --cl_tau 0.270

3.3 消融实验

可以通过将相关权重或概率设为 0 来进行消融实验。例如，移除相似性对比学习 (SimCL):

python src/main.py --model_name CoGCL ... --sim_cl_weight 0

移除图增强:

python src/main.py --model_name CoGCL ... --graph_replace_p 0 --graph_add_p 0

4. QER 改进版本

本项目实现了 QER (量化增强表示) 作为 CoGCL 的改进功能。QER 将量化后的码本嵌入融合到 GCN 输出中，利用全局语义信息优化局部表示。

4.1 模型版本选择

通过 --code_mix_alpha 参数控制使用哪个版本：

code_mix_alpha 值	使用的模型文件	说明
= 0 (默认)	models/CoGCL.py	原始 CoGCL 实现
!= 0	models/CoGCL_new.py	带 QER 增强的改进版本

4.2 运行 QER 增强版本

以Grocery_and_Gourmet_Food为例，运行 QER 增强版本:

python src/main.py --model_name CoGCL --dataset Grocery_and_Gourmet_Food \
    --vq_loss_weight 0.008 \
    --cl_weight 0.03 \
    --sim_cl_weight 0.5 \
    --graph_replace_p 0.42 \
    --graph_add_p 0.44 \
    --drop_p 0.05 \
    --n_layers 1 \
    --lr 0.0033 \
    --l2 4e-6 \
    --cl_tau 0.47 \
    --code_mix_alpha 0.0159

4.3 QER 超参数搜索

使用 alpha_optuna.py 脚本可以专门搜索 code_mix_alpha 参数的最优值。该脚本会固定其他超参数为最优值，只搜索 QER 融合系数。

Grocery_and_Gourmet_Food:

python src/alpha_optuna.py \
    --model_name CoGCL \
    --dataset Grocery_and_Gourmet_Food \
    --n_trials 100 \
    --storage ../results/optuna_CoGCL_Grocery_and_Gourmet_Food_alpha.db

MovieLens-1M:

python src/alpha_optuna.py \
    --model_name CoGCL \
    --dataset MovieLens_1M \
    --n_trials 100 \
    --storage ../results/optuna_CoGCL_MovieLens_1M_alpha.db

搜索完成后，可以使用 Optuna Dashboard 可视化结果：

optuna-dashboard ../results/optuna_CoGCL_Grocery_and_Gourmet_Food_alpha.db

原始 ReChorus 引用

ReChorus 是一个模块化、任务灵活的推荐算法库。

@inproceedings{li2024rechorus2,
  title={ReChorus2. 0: A Modular and Task-Flexible Recommendation Library},
  author={Li, Jiayu and Li, Hanyu and He, Zhiyu and Ma, Weizhi and Sun, Peijie and Zhang, Min and Ma, Shaoping},
  booktitle={Proceedings of the 18th ACM Conference on Recommender Systems},
  pages={454--464},
  year={2024}
}

更多关于 ReChorus 的文档请参考 Wiki。