面向协同过滤推荐的用户画像后训练去噪技术
信息检索
2026-01-27 v1
摘要
隐式反馈是训练推荐系统(RS)的主要数据来源，已被证明会对推荐效果产生负面影响。去噪作为一种去除噪声隐式反馈并改善推荐效果的方法受到关注。先前工作侧重于训练期间去噪，这需要额外的数据、修改模型架构和训练程序或微调，所有这些都可能在成本和数据需求方面具有挑战性。本文关注后训练去噪。不同于训练期间去噪，后训练去噪不涉及更改模型架构或其训练程序，也不需要额外数据。具体而言，我们提出了一种使用大型语言模型(LLM)对协同过滤(CF)推荐的用户画像进行后训练去噪的方法。我们的做法让 LLM 接收以下输入：(i) 用户画像(用户交互记录)，(ii) 候选物品，以及 (iii) CF 推荐系统给出的该候选物品的排名，然后要求 LLM 从用户画像中移除物品，以提高该候选物品的排名。我们在与最先进的 CF 推荐系统配合实验中，使用 4 个开源和闭源 LLM 在 3 个数据集上测试，显示我们的去噪方法相较于原始用户画像可提升最高 13% 的效果。我们的代码已公开 https://github.com/edervishaj/denoising-user-profiles-LLM。
引用
@article{arxiv.2601.18009,
title = {Post-Training Denoising of User Profiles with LLMs in Collaborative Filtering Recommendation},
author = {Ervin Dervishaj and Maria Maistro and Tuukka Ruotsalo and Christina Lioma},
journal= {arXiv preprint arXiv:2601.18009},
year = {2026}
}
备注
Accepted at the 48th European Conference on Information Retrieval (ECIR 2026)