面向推荐的基于极稀疏反馈的逆学习
信息检索
2023-11-22 v2
摘要
现代个性化推荐服务常依赖用户反馈（显式或隐式）以提升服务质量。显式反馈指评分等行为，隐式反馈指用户点击等行为。然而，在 Tiktok 和 Reels 等全屏视频观看体验场景中，点击行为缺失，导致用户反馈不明确，从而在建模训练中引入噪声。现有去噪推荐方法主要关注正样本，而忽略了大量采样负反馈中的噪声。本文中，我们从损失与梯度视角提出一种元学习方法来标注未标记数据，其同时考虑正例与负例中的噪声。具体而言，我们首先提出逆对偶损失（IDL）以增强真实标签学习并阻止虚假标签学习。进而提出逆梯度（IG）方法以探索正确的更新梯度并基于元学习调整更新。最后，我们在基准与工业数据集上开展广泛实验，所提方法相较最先进方法将 AUC 显著提升 9.25%。进一步分析验证了所提逆学习框架与模型无关，且可改进多种推荐骨干网络。源代码及最佳超参数设置见此链接：https://github.com/Guanyu-Lin/InverseLearning。
引用
@article{arxiv.2311.08302,
title = {Inverse Learning with Extremely Sparse Feedback for Recommendation},
author = {Guanyu Lin and Chen Gao and Yu Zheng and Yinfeng Li and Jianxin Chang and Yanan Niu and Yang Song and Kun Gai and Zhiheng Li and Depeng Jin and Yong Li},
journal= {arXiv preprint arXiv:2311.08302},
year = {2023}
}
备注
WSDM 2024