论文标题：
Towards Representation Alignment and Uniformity in Collaborative Filtering
论文链接：
https://arxiv.org/pdf/2206.12811.pdf
代码：
https://github.com/THUwangcy/DirectAU
本文主要针对协同过滤方法中的数据表征展开研究，现有的研究主要集中在设计更强大的编码器（例如，图神经网络）以学习更好的表征。而缺乏对 CF 中表征的期望属性进行研究，这对于理解现有 CF 方法的基本原理和设计新的学习目标很重要。本文从对齐和超球面上的均匀性的角度来衡量 CF 中的表征质量。
首先从理论上揭示了 BPR 损失与这两个属性（对齐和均匀性）之间的联系。 从量化对齐和均匀性的角度对典型 CF 方法的学习动态进行了分析，表明更好的对齐或均匀性都有助于提高推荐性能。 根据分析结果，提出了一个直接优化这两个属性的学习目标，称为 DirectAU。
