面向推荐的隐式反馈去噪
信息检索
2021-01-05 v2
摘要
隐式反馈的普遍存在使其成为构建在线推荐系统的默认选择。虽然大量隐式反馈缓解了数据稀疏问题，但其缺点是未能干净地反映用户的实际满意度。例如，在电子商务中，很大一部分点击未转化为购买，且许多购买以负面评价告终。因此，在推荐器训练中考虑隐式反馈中不可避免的噪声至关重要。然而，推荐方面很少有学者考虑隐式反馈的噪声本质。在本工作中，我们探讨隐式反馈去噪用于推荐器训练这一核心主题。我们发现噪声隐式反馈的严重负面影响，即拟合噪声数据阻碍推荐器学习实际用户偏好。我们的目标是识别并剪枝噪声交互，以提升推荐器训练质量。通过观察正常推荐器训练过程，我们发现噪声反馈通常在早期阶段具有较大损失值。受此观察启发，我们提出一种称为自适应去噪训练（ADT）的新训练策略，在训练期间自适应剪枝噪声交互。具体而言，我们设计了两种自适应损失公式范式：截断损失，在每次迭代中以动态阈值丢弃大损失样本；以及重加权损失，自适应降低大损失样本的权重。我们在广泛使用的二元交叉熵损失上实例化这两种范式，并在三个代表性推荐器上测试所提出的ADT策略。在三个基准上的大量实验表明，ADT相较正常训练显著提升了推荐质量。
引用
@article{arxiv.2006.04153,
title = {Denoising Implicit Feedback for Recommendation},
author = {Wenjie Wang and Fuli Feng and Xiangnan He and Liqiang Nie and Tat-Seng Chua},
journal= {arXiv preprint arXiv:2006.04153},
year = {2021}
}