论文标题：

Self-Guided Learning to Denoise for Robust Recommendation

论文链接：

https://arxiv.53yu.com/pdf/2204.06832.pdf

code：

https://github.com/Scottdyt/SGDL

推荐系统中通常采用隐式反馈，如点击。将观察到的数据（如曝光点击）作为正样本，未观察到的作为负样本，但是隐式反馈通常是有噪声的，比如存在误点击的情况。现有的处理反馈中噪声的方法存在以下不足：

  • 他们通常无法捕获难交互（难样本，不是噪声但损失值较大，即难训练）来学习全面的用户偏好；
  • 所提去噪方法无法适用于各种推荐模型，不是通用的

本文考虑推荐模型的记忆效果，提出新的去噪方法，自引导去噪学习SGDL。在训练早期（抗噪阶段）收集记忆交互，利用这些数据作为去噪信号，利用元学习指导后续训练（噪声敏感阶段）。并且可以在记忆点自动将学习阶段从记忆转换为自引导学习，通过自适应去噪调度器选择干净（没有噪声）且信息丰富的数据。

内容中包含的图片若涉及版权问题，请及时与我们联系删除