About Contrastive Learning Loss

[zwb29]

Hi, thank you for your awesome work, the experiment results of the code are quite consistent with the paper. I have some question about the role of contrastive learning in SGL, I notice that in the training process, the loss of contrastive learning(in the function of calc_ssl_loss_v2) is not keep falling. Actually, after 7 or 8 epochs (yelp2018 for example), when the bpr loss falling rapidly and indicators like Recall increase rapidly, the SSL loss is a little bit increasing, I'm quite confused about it. Introducing Contrastive learning as a auxiliary task indeed accelerate convergence, but that doesn't show up in the loss. I would like to know what do you think of this, thank you!

大佬你好，谢谢您的工作，这份代码能够完美复现文章中的结果，非常佩服。 我有一点关于对比学习在SGL中的作用的问题。与其他几个图对比学习预训练任务(比如图分类)不同，SGL中对比学习损失作为一个辅助损失，在训练过程中不是持续下降的。 比如在yelp2018数据集中，在Recall等指标上升最快的阶段，对比损失反而是有一点小增加的。作为一个辅助损失，对比学习确实加快了收敛，也提升了模型的效果，但是这一点并没有体现在对比损失的减小上，这让我有点困惑，请问您怎么看待这个问题？ 谢谢！

[wujcan]

这是个好问题，我们目前也没有明确的答案。可能的原因是： （1）整个训练过程对比loss的scale变化不大，而且对比loss的正负样本比例是1：N，导致负样本的选取会极大的影响loss的值，出现小幅上升是有可能的； （2）推荐task所采用的BPR跟representation learning的对比loss优化的目标是有区别的，联合优化相当于对两者做了trade off，如果单纯的优化对比loss应该不会出现loss scales上升的情况吧； （3）而且有意思的一点是，从paper中的figure 5可以看到在BPR下降前recall就已经开始有明显的提升了，说明BPR其实跟推荐的metric还是存在一定的gap的。这一阶段的提升应该主要有对比学习带来的。 这个问题我觉得还是值得深究的。

[zwb29]

感谢回复！ 我在您这份代码的基础上做过一些实验。 （1）在只使用contrastive loss和正则项，也就是文章中pretrain的情况下，contrastive loss会很快收敛，和graph classification等任务中的contrastive learning loss曲线类似，最初快速下降最终稳定在一个水平。 （2）在只使用BPR loss和正则项，也就是LightGCN的情况下，BPR loss会以很均匀的速度下降，recall等指标也是随着BPR loss的降低而慢慢提高。

而且有意思的一点是，从paper中的figure 5可以看到在BPR下降前recall就已经开始有明显的提升了，说明BPR其实跟推荐的metric还是存在一定的gap的。这一阶段的提升应该主要有对比学习带来的。

这一点您文章中提到了，我也注意到了。模型效果最佳的时候，BPR loss并没有充分收敛，甚至可以说BPR loss还很大的时候就已经达到了LightGCN的效果。所以我比较赞同您说的BPR跟推荐的metric是存在一定的gap的。 谢谢！

[xiqxin1]

感谢大佬的分享和讨论，我最近也在做对比学习相关的工作。实验中我发现正样本对最终结果的影响非常大，如果训练时随机生成一些noise正样本，则结果会变得很糟糕。请问其中的原因可能是什么？目前我们只使用了dropout做数据增强，是否可以有其他思路做数据增强，来消除noise positive label 的影响呢？ 再次感谢各位大佬的回复。