硬样本 vs 噪声：利用大型语言模型解决推荐系统中的硬噪声混淆问题

隐式反馈用于训练推荐系统时，必然会因 misclick 和位置偏差等因素引入噪声。以往研究尝试通过数据模式差异（如更高的损失值）识别噪声样本，并通过删除或重新加权来减轻其影响。然而，我们注意到噪声样本和困难样本显示出相似的模式，导致硬噪声混淆问题。这种混淆问题具有问题，因为困难样本对于建模用户偏好至关重要。为解决此问题，我们提出LLMHNI框架，利用大型语言模型（LLM）生成的两个辅助用户-物品相关信号来区分困难样本和噪声样本。LLMHNI从LLM编码的嵌入中获取用户-物品语义相关性，用于在负采样中选择困难负样本，同时过滤噪声假负样本。提出了一种目标对齐策略，将原本用于通用语言任务的LLM嵌入投影到针对用户-物品相关性建模优化的表示空间。LLMHNI还利用LLM推断的逻辑相关性来识别困难样本和噪声样本。这些LLM推断的交互被整合到交互图中，并通过跨图对齐指导去噪。为消除LLM幻觉引起的不可靠交互影响，我们提出了一种图对比学习策略，通过对随机边缘删除的视图进行对齐来抑制不可靠边缘。实证结果表明，LLMHNI显著改善了去噪和推荐性能。