RuleAgent：基于自主语言智能体的推荐去噪规则发现

现实推荐系统中的隐式反馈（如点击）常因非本意交互（如误点或探索性行为）而引发严重噪声。常见的去噪方法是基于训练损失模式手动编写规则，但该方法代价高昂且规则往往难以在多样场景中获得良好泛化。为克服这些限制，我们引入 RuleAgent，一个基于语言智能体的框架，模拟真实数据专家自主发现推荐去噪规则。不同于手动规则挖掘的高成本过程，RuleAgent 提供快速且动态的规则发现，确保适应不断变化的数据和不同场景。为实现这一目标，RuleAgent 配备了量身定制的轮廓、记忆、计划和行动模块，并利用反思机制增强其规则发现推理能力。此外，为避免频繁的规则发现中再训练，我们提出了 LossEraser——一种无监督策略，使训练在不牺牲去噪性能的情况下保持高效。在基准数据集上的实验表明，与现有去噪方法相比，RuleAgent 不仅能获得最优的推荐性能，还能产生通用且具备泛化性的去噪规则，帮助研究人员高效数据清洗。