稀疏 OHC 推荐的伪标签 NCF：双表示学习与可分性精度权衡
信息检索
2026-04-01 v2 人工智能
机器学习
摘要
Online Health Communities (OHC) 将患者连接进行互助支持，但用户在缺乏先前交互指引的情况下面临发现挑战。我们研究极端稀疏交互下的推荐问题，假设每个用户提供 16 维 intake 向量且每个支持小组都有结构化特征轮廓。我们扩展神经协同过滤架构，包括矩阵分解、多层感知器和 NeuMF，引入源自调查组特征对齐（使用映射到 [0, 1] 的余弦相似度）的辅助伪标签目标。得到的 Pseudo Label NCF 学习双嵌入空间：主嵌入用于排序，伪标签嵌入用于语义对齐。我们采用留一法协议评估了包含 165 位用户和 498 个支持小组的数据集，以反映冷启动条件。所有伪标签变体均提升了排序性能：MLP 的 HR@5 从 2.65% 提升至 5.30%，NeuMF 从 4.46% 提升至 5.18%，MF 从 4.58% 提升至 5.42%。伪标签嵌入空间也显示出高于基准嵌入的更高余弦轮廓分数，MF 从 0.0394 提升至 0.0684，NeuMF 从 0.0263 提升至 0.0653。我们进一步观察到嵌入可分性与排序精度之间存在负相关性，表明解释性与性能之间存在权衡。这些结果表明，调查派生的伪标签在极端稀疏条件下提升了推荐效果，同时生成可解释的任务特定嵌入空间。
引用
@article{arxiv.2603.24750,
title = {Pseudo Label NCF for Sparse OHC Recommendation: Dual Representation Learning and the Separability Accuracy Trade off},
author = {Pronob Kumar Barman and Tera L. Reynolds and James Foulds},
journal= {arXiv preprint arXiv:2603.24750},
year = {2026}
}