面向鲁棒推荐系统的个性化隐式反馈去噪方法

尽管隐式反馈是现代推荐系统的基础，但用户行为中的人为错误、不确定性和模糊性等因素不可避免地会向反馈中引入显著噪声，从而影响推荐的准确性和鲁棒性。为解决此问题，现有方法通常基于噪声交互在整体损失分布中往往表现出更高损失的观察，旨在降低噪声反馈的训练权重或将其完全丢弃。然而，我们发现了两个关键问题：(1) 在整体损失分布中，正常交互与噪声交互之间存在显著重叠；(2) 当从逐点损失函数（如 BCE 损失）过渡到成对损失函数（如 BPR 损失）时，这种重叠变得更加明显。这种重叠导致传统方法将噪声交互误分类为正常，反之亦然。为应对这些挑战，我们进一步研究了损失重叠现象，并发现对于给定用户，其个人损失分布中正常交互与噪声交互之间存在清晰的分界。基于这一洞察，我们提出了一种利用用户个人损失分布（Personal Loss Distribution）进行去噪的重采样策略，命名为 PLD，该策略降低了噪声交互被优化的概率。具体而言，在每次优化迭代中，我们为每个用户创建一个候选物品池，并根据该用户的个人损失分布从池中重采样物品，优先考虑正常交互。此外，我们进行了理论分析以验证 PLD 的有效性，并提出了进一步提升其性能的方法。在三个具有不同噪声比的数据集上进行的大量实验证明了 PLD 的有效性和鲁棒性。