當前位置：首頁 > 编程资源 > 编程问答 >内容正文

编程问答

隐式反馈的去噪，模型取得巨大提升

發布時間：2025/3/8 编程问答 17 豆豆

生活随笔收集整理的這篇文章主要介紹了隐式反馈的去噪，模型取得巨大提升小編覺得挺不錯的,現在分享給大家,幫大家做個參考.

Denoising Implicit Feedback for Recommendation！

本篇內容細節會涉及的更多一些，大家可以再次溫故一遍，個人覺得非常有意思的一篇工作。

現實推薦問題的建模中，我們會使用大量的隱反饋來緩解了數據稀疏的問題，不過缺點也非常明顯：

例如，在電子商務中，很大一部分點擊并不能轉化為購買，許多購買最終都會得到負面評價。

隱反饋的噪聲特性目前研究的工作相對較少。本文則探討了去噪內隱反饋推薦訓練。我們發現:

我們的目標是識別和剪枝噪聲交互，提高推薦訓練的有效性。通過觀察正常的推薦器訓練過程，我們發現噪聲反饋在早期階段通常具有較大的損失值。受此啟發，我們提出了一種新的訓練策略，稱為自適應去噪訓練（ADT），它能自適應地剪除訓練過程中的噪聲干擾。具體來說，我們設計了兩種自適應損失公式：

截斷損失，即在每次迭代中丟棄具有動態閾值的大損失樣本；

加權損失，自適應地降低大損失樣本的權重。

我們在廣泛使用的binary cross-entropy loss使用，并在三個有代表性的推薦器上測試了所提出的ADT策略，并取得了很好的的效果。

我們令：

實踐中，因為噪音交互的存在，將會誤導模型對于用戶喜好的學習。為了能更好的學習，我們需要盡可能去降低隱式反饋的影響。

此處我們已經訓練了loss提出了ADT來預估，為了減少FP交互的影響，ADT動態的剪枝硬交互，（大損失），在訓練的時候，特別地，ADT選擇對大的loss進行丟棄或者重新加權的方式來減少訓練目標的影響。本文設計兩種方法來構建損失函數來降噪訓練。

T是預定義的閾值， T-CE損失從訓練中移除了一些正向的交互。在實踐中，當我們固定的時候，訓練效果并不是非常好，因為隨著訓練的增加，我們是損失會不斷下降。

最終，我們的drop rate函數如下：

此處我們將權重定義為：

超參數β動態控制hard和easy交互的權重gap。

為了避免大損失值的負相互作用對優化的影響，權重函數被修正為：

這樣，就可以降低false-negative交互的影響。

由于完全依賴推薦系統來識別FP交互作用，ADT的可靠性可能會受到質疑。

目前已有的許多工作已經指出了大損失和噪聲相互作用之間的聯系，并解釋了潛在的因果關系：

深度模型的“記憶”效應。也就是說，深度模型將首先在初始訓練階段學習簡單而干凈的模式，然后逐漸記住所有交互，包括嘈雜的交互。因此，在早期階段丟失深層模型有助于濾除噪聲交互。

另一個問題是，放棄硬交互會限制模型的學習能力，因為有些硬交互可能比簡單交互更具信息量。事實上，正如先前關于課程學習的研究[2]中所討論的，噪聲數據中的硬交互可能會混淆模型，而不是幫助模型建立正確的決策面。因此，它們可能導致較差的泛化。它實際上是去噪和學習之間的折衷。

1.試驗效果

由于ADT在訓練過程中刪減了許多交互，因此我們探討了ADT是否會因為交互商品稀疏而影響非活動用戶的偏好學習。

False-positive交互作用的CE損失值逐漸增加，而總體訓練損失逐漸穩定下降。增加的Loss表明推薦參數沒有在False-positive交互作用上得到優化;
T-CE識別和丟棄這種交互作用的能力，False Positive交互作用的CE損失也呈現下降趨勢，表明推薦系統仍然適合這種交互作用。
它們的損失值仍然大于真實的訓練損失，這表明用R-CE損失分配較小權重的假陽性交互是有效的。它會阻止模型快速擬合它們。

我們可以得出這樣的結論：

本文探討了去為推薦模型訓練去除隱式反饋的方法。我們發現了噪聲隱式反饋的負面影響，并提出了自適應去噪訓練策略來降低其影響。本文描述了兩種損失函數：

這兩種方式都是通用的，可以應用于不同的推薦損失函數、神經推薦器和優化器。在本文的工作中，我們將這兩個方式應用于廣泛使用的二元交叉熵損失，并在三個數據集進行了實驗，這兩個方式能有效地減少了噪聲干擾隱式反饋，在三個數據集上都取得了非常好的效果。

一元@煉丹筆記

以上是生活随笔為你收集整理的隐式反馈的去噪，模型取得巨大提升的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。