通过置信软标签学习鲁棒序列推荐器
信息检索
2023-11-07 v1
摘要
在隐式反馈上训练的序列推荐器通常作为多类分类任务，通过对独热类标签使用基于 softmax 的损失函数来进行学习。然而，独热训练标签稀疏，并可能导致有偏训练与次优性能。稠密软标签已被证明有助于提升推荐性能。但如何从用户与物品间带噪的序列交互中生成高质量且置信的软标签仍是一个开放问题。我们提出了一种用于序列推荐器的新学习框架 CSRec，其引入置信软标签以在从用户-物品交互中学习时提供鲁棒指导。CSRec 包含一个生成高质量且置信软标签的教师模块，以及一个作为目标推荐器并在稠密软标签与稀疏独热标签组合上训练的学生模块。我们提出并比较了构建教师模块的三种途径：(i) 模型级，(ii) 数据级，以及 (iii) 训练级。为评估 CSRec 的有效性与泛化能力，我们使用多种最先进序列推荐模型作为目标学生模块在四个基准数据集上开展实验。实验结果表明 CSRec 能有效地训练出性能更优的序列推荐器。
引用
@article{arxiv.2311.02446,
title = {Learning Robust Sequential Recommenders through Confident Soft Labels},
author = {Shiguang Wu and Xin Xin and Pengjie Ren and Zhumin Chen and Jun Ma and Maarten de Rijke and Zhaochun Ren},
journal= {arXiv preprint arXiv:2311.02446},
year = {2023}
}