隐式反馈的去噪，模型取得巨大提升

Denoising Implicit Feedback for Recommendation！

本篇内容细节会涉及的更多一些，大家可以再次温故一遍，个人觉得非常有意思的一篇工作。

现实推荐问题的建模中，我们会使用大量的隐反馈来缓解了数据稀疏的问题，不过缺点也非常明显：

• 隐反馈在反映用户的实际满意度方面不够清晰。

例如，在电子商务中，很大一部分点击并不能转化为购买，许多购买最终都会得到负面评价。

隐反馈的噪声特性目前研究的工作相对较少。本文则探讨了去噪内隐反馈推荐训练。我们发现:

• 含噪声的内隐反馈会产生严重的负面影响，即拟合含噪声的数据会阻碍推荐者学习实际的用户偏好。

我们的目标是识别和剪枝噪声交互，提高推荐训练的有效性。通过观察正常的推荐器训练过程，我们发现噪声反馈在早期阶段通常具有较大的损失值。受此启发，我们提出了一种新的训练策略，称为自适应去噪训练（ADT），它能自适应地剪除训练过程中的噪声干扰。具体来说，我们设计了两种自适应损失公式：

1. 截断损失，即在每次迭代中丢弃具有动态阈值的大损失样本；
2. 加权损失，自适应地降低大损失样本的权重。

我们在广泛使用的binary cross-entropy loss使用，并在三个有代表性的推荐器上测试了所提出的ADT策略，并取得了很好的的效果。

我们令：

实践中，因为噪音交互的存在，将会误导模型对于用户喜好的学