用于鲁棒推荐的自引导去噪学习
信息检索
2022-05-18 v3
摘要
隐式反馈的普遍存在使其成为构建现代推荐系统的默认选择。一般来说，观测到的交互被视为正样本，而未观测到的交互被视为负样本。然而，由于噪声正交互和噪声负交互的普遍存在，隐式反馈本质上是含噪的。最近，一些研究注意到去噪隐式反馈对推荐的重要性，并在一定程度上增强了推荐模型对噪声的鲁棒性。然而，它们通常未能（1）捕获困难但干净的交互以学习全面的用户偏好，以及（2）提供可应用于各类推荐模型的通用去噪方案。在本文中，我们深入研究了推荐模型的记忆效应，并提出了一种新的去噪范式，即自引导去噪学习（SGDL），它能够在训练早期（即“抗噪”阶段）收集被记忆的交互，并以元学习的方式将这些数据作为去噪信号来引导模型后续（即“噪声敏感”阶段）的训练。此外，我们的方法能够在记忆点自动将其学习阶段从记忆切换到自引导学习，并通过一种新颖的自适应去噪调度器选择干净且信息丰富的记忆数据以提升鲁棒性。我们将SGDL与四种代表性推荐模型（即NeuMF、CDAE、NGCF和LightGCN）以及不同损失函数（即二元交叉熵和BPR损失）相结合。在三个基准数据集上的实验结果证明了SGDL相对于最先进去噪方法（如T-CE、IR、DeCA，甚至最先进的鲁棒图方法如SGCN和SGL）的有效性。
引用
@article{arxiv.2204.06832,
title = {Self-Guided Learning to Denoise for Robust Recommendation},
author = {Yunjun Gao and Yuntao Du and Yujia Hu and Lu Chen and Xinjun Zhu and Ziquan Fang and Baihua Zheng},
journal= {arXiv preprint arXiv:2204.06832},
year = {2022}
}
备注
Accepted by SIGIR2022