面向推荐的自动化数据去噪
信息检索
2023-05-29 v2
摘要
在真实场景中，多数平台既收集大规模、天然含噪的隐式反馈，也收集小规模但高度相关的显式反馈。由于数据稀疏问题，隐式反馈常作为训练推荐系统（RS）的默认选择，然而此类数据因用户行为的随机性与多样性可能非常嘈杂。例如，大量点击未必反映真实用户偏好，许多购买可能导致差评或退货。幸而，利用两类反馈优势互补，我们几乎无成本地缓解上述问题。本文提出一种面向推荐的自动化数据去噪框架，\textbf{\textit{AutoDenoise}}，其使用少量显式数据作验证集以引导推荐器训练。受课程学习（CL）广义定义启发，AutoDenoise学习在验证性能引导下，沿训练过程自动动态地为各隐式数据样本分配最合适（离散或连续）权重。具体而言，我们用精心设计的控制器网络生成权重，将权重与各输入数据损失结合训练推荐系统，并以强化学习优化控制器以最大化所训RS在无噪验证集上的预期准确率。充分实验表明，AutoDenoise能提升最先进推荐算法在多个公开基准数据集上的性能。
引用
@article{arxiv.2305.07070,
title = {Automated Data Denoising for Recommendation},
author = {Yingqiang Ge and Mostafa Rahmani and Athirai Irissappane and Jose Sepulveda and James Caverlee and Fei Wang},
journal= {arXiv preprint arXiv:2305.07070},
year = {2023}
}