AutoDenoise：面向推荐系统的自动数据实例去噪方法
信息检索
2023-03-14 v1
摘要
历史用户-物品交互数据集对于训练现代推荐系统以预测用户偏好至关重要。然而，大多数推荐场景中的随意用户行为导致记录了大量噪声数据实例，这些实例无法完全代表其真实兴趣。尽管推荐系统领域涌现出大量去噪研究，但它们都受困于高度动态的数据分布。本文提出一种基于深度强化学习（DRL）的框架 AutoDenoise，其包含实例去噪策略网络，用于以实例选择方式在深度推荐系统中对数据实例进行去噪。具体而言，AutoDenoise 在 DRL 中作为智能体自适应地选择无噪声且具有预测性的数据实例，这些实例可直接用于训练代表性推荐模型。此外，我们设计了一种交替两阶段优化策略来合理训练和验证 AutoDenoise。在搜索阶段，我们旨在训练具有实例去噪能力的策略网络；在验证阶段，我们找出并评估由训练好的策略网络所选择的去噪数据子集，以验证其去噪能力。我们进行了大量实验来验证 AutoDenoise 结合多种代表性推荐系统模型的有效性。
引用
@article{arxiv.2303.06611,
title = {AutoDenoise: Automatic Data Instance Denoising for Recommendations},
author = {Weilin Lin and Xiangyu Zhao and Yejing Wang and Yuanshao Zhu and Wanyu Wang},
journal= {arXiv preprint arXiv:2303.06611},
year = {2023}
}
备注
9 pages, 4 figures, 5 tables, conference