噪声相关论文
一. AutoDenoise: Automatic Data Instance Denoising for
Recommendations
在本文中,我们提出了一种基于深度强化学习(DRL)框架的自动去噪方法,包含一个实例去噪策略网络,在深度推荐系统中用实例选择的方式进行去噪。具体而言,auto降噪作为DRL中的agent,自适应地选择无噪声和预测数据实例,然后可以直接用于训练代表性推荐模型。此外,我们设计了一种交替的两阶段优化策略来训练和验证自动去噪。在搜索阶段,目标是训练具有实例去噪能力的策略网络;在验证阶段,我们找出并评估经过训练的策略网络选择的去噪数据实例的子集,以验证其去噪能力。
二. Denoising and Prompt-Tuning for Multi-Behavior Recommendation
在实际的推荐场景中,用户经常在多种类型的行为(例如,单击、添加到购物车和购买)下与项目交互。传统的协同过滤技术通常假设用户对物品只有单一类型的行为,这使得利用复杂的协同信号来学习信息表示并推断实际的用户偏好是不够的.因此,一些先驱性研究探索建模多行为异质性,以学习更好的表示方式,并提高目标行为推荐的性能。但是,大量的辅助行为(如点击和添加到购物车)可能会向推荐人引入不相关的信息,这可能会误导目标行为(如购买)的推荐,带来两个关键的挑战:辅助行为去噪和(ii)弥合辅助行为和目标行为之间的语义鸿沟.在上述观察的激励下,我们提出了一种新的框架-去噪和提示调优(DPT),该框架具有三阶段学习范式,以解决上述挑战. 特别地,DPT在第一阶段配备了模式增强的图形编码器,以数据驱动的方式学习复杂的模式作为先验知识,以指导学习信息表示并为后续阶段精确定位可靠的噪声。因此,我们在接下来的阶段采用不同的轻量级调优方法,以有效和高效地进一步削弱噪声的影响,缓解多类型行为之间的语义差距。在两个真实数据集上的大量实验证明了DPT优于广泛的先进方法。
辅助行为(如点击)通常包含一些固有的嘈杂的用户-物品交互(如偶然交互[24,36]),不能准确反映用户的兴趣。如果没有精细的控制,学习到的多行为知识不可避免地会受到数据中噪声的影响。
Data-Driven Identification of Accidental Clicks on Mobile Ads with Applications to Advertiser Cost Discounting and Click-Through Rate Prediction
FeedRec: News Feed Recommendation with Various User Feedbacks
三.Denoising Neural Network for News Recommendation with Positive and Negative
本文提出了一种基于正、负隐式反馈的新闻推荐去噪神经网络(DRPN)。它首先引入了一个新闻编码器,以两个隐式反馈序列表示新闻。然后采用两种并行聚合器分别从正面和负面的历史反馈中提取用户表征:(1)基于内容的聚合器,从反馈序列中选取信息性新闻来表征用户;(2)去噪聚合器,用于发现和减小反馈序列中的噪声。除了语义信息外,我们还引入了一个图神经网络来融合协同信息,进一步丰富用户表示。最后,利用用户和候选新闻表示来预测点击概率。
Wu et al., 2020a;谢等,2020;Bian等人,2021)使用显式反馈(如阅读时间和喜欢/不喜欢的行为)来帮助去噪隐式反馈。然而,显式反馈比隐式反馈更难收集。
四.Heterogeneous Adaptive Denoising Networks for Recommendation
该模型采用基于元路径的随机游走策略来获得有效的节点序列。然后,对于生成的节点网络,我们使用图卷积网络(GCNs)学习节点嵌入。此外,为了消除数据集中的噪声,我们在训练中加入了自适应去噪训练(ADT)策略。
这篇文章中直接应用了Denoising implicit feedback for recommendation文章中的截断去噪策略和重加权去噪策略。