从带噪声隐式反馈中进行鲁棒推荐：基于GMM加权贝叶斯标签转换矩阵框架
机器学习
2026-05-21 v1
摘要
在推荐系统中从隐式反馈学习面临普遍标签噪声的挑战。虽然常规去噪方法倾向于丢弃噪声样本以确保鲁棒性，但不可避免地导致数据利用率低下。另一些采用贝叶斯标签转换矩阵（BLTM）的方法能够利用所有可用数据，但在实际推荐场景下估计偏差。为此，本文提出了鲁棒GMM加权贝叶斯标签转换矩阵框架（RGBT）。该方案利用高斯混合模型（GMM）获取样本特定的可靠性得分，系统性地校准BLTM估计以减轻偏差。理论分析表明，本方法通过结合GMM校准的BLTM框架，同时实现了充分的数据利用、一致的估计以及显著降低的估计方差。在多个真实数据集和合成翻转数据集上的大量实验表明，RGBT不仅比主流可靠样本基方法更有效地利用噪声样本，而且在校准转换矩阵方面优于当前基于转换矩阵的去噪方法。
引用
@article{arxiv.2605.20721,
title = {Robust Recommendation from Noisy Implicit Feedback: A GMM-Weighted Bayes-label Transition Matrix Framework},
author = {Zongyu Li and Xuanyu Liu and Gongce Cao and Shirui Sun and Yaqi Fang and Yongshuai Yu},
journal= {arXiv preprint arXiv:2605.20721},
year = {2026}
}