DeBaTeR：用于推荐的去噪二部时序图
信息检索
2024-11-15 v1 人工智能
机器学习
摘要
由于难以获取大规模显式用户反馈，隐式反馈（如点击或其他交互）被广泛作为替代数据源，其中用户-物品交互可建模为二部图。鉴于真实世界隐式用户-物品交互的噪声和偏见本质，识别和修正噪声交互对于提升模型性能和鲁棒性至关重要。协同过滤中净化用户-物品交互的先前工作主要挖掘用户/物品嵌入与噪声交互之间的相关性，忽视了时序模式在判定噪声交互中的优势。时间信息在增强模型效用的同时，也天然有助于判定噪声边，例如，若某人通常在晚上看恐怖片、早上看脱口秀，那么早上看恐怖片的记录更可能是噪声交互。基于这一观察，我们引入了一种简单而有效的机制来生成时序感知的用户/物品嵌入，并提出了两种用于推荐系统中去噪二部时序图的策略：第一种是通过重加权邻接矩阵，定义可靠性分数，通过软分配和硬分配重加权边；第二种是通过重加权损失函数，生成权重以重加权损失中的用户-物品样本。大量实验证明了我们方法的有效性，并展示了时间信息确实有助于识别噪声边。
引用
@article{arxiv.2411.09181,
title = {DeBaTeR: Denoising Bipartite Temporal Graph for Recommendation},
author = {Xinyu He and Jose Sepulveda and Mostafa Rahmani and Alyssa Woo and Fei Wang and Hanghang Tong},
journal= {arXiv preprint arXiv:2411.09181},
year = {2024}
}