SamWalker++：基于信息性采样策略的推荐方法

由于缺少可靠的负反馈数据，基于隐式反馈的推荐是一项极具挑战性的任务。现有方法通过将全部未观测数据视为负反馈（不喜欢）但降低这些数据置信度的方式来应对该挑战。然而，这种处理导致两个问题：（1）未观测数据的置信权重通常手动指定，缺乏灵活性，并可能在评估用户偏好时产生经验偏差。（2）为处理海量未观测反馈数据，大多数现有方法依赖随机推断与数据采样策略。然而，由于用户在大体量数据集中仅知晓极小部分物品，现有采样器难以选出信息性训练样本——即用户真正不喜欢而非不知道该物品的样本。为解决上述两个问题，我们提出两种新颖推荐方法SamWalker与SamWalker++，它们均支持自适应置信分配与高效模型学习。SamWalker用社交网络感知函数对数据置信建模，可根据用户社交上下文对不同数据自适应赋予不同权重。但许多推荐系统中可能无社交网络信息，阻碍了SamWalker的应用。因此，我们进一步提出SamWalker++，它不需要任何辅助信息，并用构建的伪社交网络对数据置信建模。我们还为SamWalker与SamWalker++开发了基于快速随机游走的采样策略，以自适应抽取信息性训练样本，从而加速梯度估计并降低采样方差。在五个真实世界数据集上的大量实验证明了所提SamWalker与SamWalker++的优越性。