본 논문은 그래프 기반의 협업 필터링 추천 시스템에서 데이터 부족 문제를 해결하기 위해 확산 모델과 대조 학습을 통합한 새로운 프레임워크인 DGCL(Diffusion-augmented Contrastive Learning)을 제안합니다. 기존 그래프 대조 학습(GCL) 방법들의 한계점인 비효과적인 데이터 증강 전략을 개선하고자, 노드 특징을 고려한 노드별 가우시안 분포를 학습하여 역확산 샘플링을 통해 의미적으로 일관되면서 다양한 대조적인 뷰를 생성합니다. 이를 통해 재구성된 표현을 기반으로 적응적인 데이터 증강을 수행하고, 잠재적인 희소 특징 공간의 미표현 영역을 탐색하여 대조 뷰의 다양성을 풍부하게 합니다. 세 개의 공개 데이터셋을 사용한 실험 결과를 통해 DGCL의 효과를 입증합니다.
