权衡难负样本与真负样本：一种去偏对比协同过滤方法
信息检索
2022-07-04 v2
摘要
协同过滤（CF）作为隐式反馈推荐的标准方法，处理的是大多数交互数据未被观测的半监督学习问题。这一性质使现有方法高度依赖挖掘负样本以提供正确训练信号。然而，挖掘恰当负样本并非易事，面临挖掘有信息量的难负样本与避免错误负样本之间的棘手权衡。我们设计了一种名为硬度感知去偏对比协同过滤（HDCCF）的新方法来解决该困境。它可从两方面充分探索难负样本：1）通过集合式目标自适应锐化更难样本的梯度；2）以新采样策略隐式利用物品/用户频率信息。为规避错误负样本，我们提出一种原则性方法以提升负样本可靠性，并证明该目标是从真负样本分布采样的一个无偏估计。大量实验证明了所提模型相对于现有 CF 模型与难负样本挖掘方法的优越性。
引用
@article{arxiv.2204.11752,
title = {Trading Hard Negatives and True Negatives: A Debiased Contrastive Collaborative Filtering Approach},
author = {Chenxiao Yang and Qitian Wu and Jipeng Jin and Xiaofeng Gao and Junwei Pan and Guihai Chen},
journal= {arXiv preprint arXiv:2204.11752},
year = {2022}
}
备注
in IJCAI 2022