SimGCL
动机
传统的SGL(图自监督学习)使得模型可以自行发掘任务特征，解决了数据稀疏和长尾分布的问题，SGL采用节点dropout、边dropout和随机游走三种方式对图结构进行扰动（图增强）进行对比学习，可以有效提高性能
SGL主要解决传统推荐系统面临的数据稀疏和长尾分布问题。通过在图结构上进行数据增强，并结合对比学习机制，SGL能够有效提升模型的表征学习能力，从而改善推荐性能。具体来说，SGL采用节点dropout、边dropout和随机游走三种方式对图结构进行扰动，生成多个子视图，再利用图卷积网络（如LightGCN）提取节点表征。这些表征通过最大化同一个节点不同视图之间的相似性，最小化不同节点之间的相似性，从而构建自监督学习任务
虽然这样做可有效提高性能，但是为什么这种对比学习的方法可以提高推荐性能，以及图增强是必要的吗？
实验
对于 为什么这种对比学习的方法可以提高推荐性能，图增强是必要的吗？ 这个问题，本文做了对应实验；
实验一
首先，原先的方法都是SGL结合对比学习和图增强，那么在该实验中，为了验证图增强是否必要，我们在不同训练集上，分别测试SGL的几个不同变体
)
)
