利用去噪辅助任务增强推荐系统
信息检索
2024-12-04 v1 人工智能
机器学习
摘要
用户的历史交互序列在训练能够准确预测用户偏好的推荐系统中起着至关重要的作用。然而，由于用户行为的随意性，这些序列中存在的噪声给推荐系统预测其下一步行为带来了挑战。为了解决这个问题，我们的动机源于一个观察：以同等权重训练含噪序列和干净序列（无噪声序列）会影响模型的性能。我们提出了一种新颖的自监督辅助任务联合训练（ATJT）方法，旨在更准确地重新加权推荐系统中的含噪序列。具体来说，我们从用户的原始序列中策略性地选择子集，并进行随机替换以生成人工替换的含噪序列。随后，我们对这些人工替换的含噪序列和原始序列进行联合训练。通过有效的重新加权，我们将噪声识别模型的训练结果整合到推荐模型中。我们在三个数据集上使用一致的基模型评估了我们的方法。实验结果证明了引入自监督辅助任务来增强基模型性能的有效性。
引用
@article{arxiv.2409.17402,
title = {Enhancing Recommendation with Denoising Auxiliary Task},
author = {Pengsheng Liu and Linan Zheng and Jiale Chen and Guangfa Zhang and Yang Xu and Jinyun Fang},
journal= {arXiv preprint arXiv:2409.17402},
year = {2024}
}