.png){kind=icon}
返回
A Semi-supervised Co-training Algorithm for Robust Recommendation
.png){kind=icon}
PRE
AI
DOI：10.1145/3773988.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
推荐算法已被广泛应用于多个领域。然而，隐式反馈中的用户级不确定性引入了误报信号，导致交互与真实偏好错位并引入噪声。这使得传统推荐方法难以同时实现稳健和准确的表现。本文提出了一种用于推荐系统中去噪学习的半监督协同训练算法，该算法以合作方式结合了监督学习和半监督学习。我们首先采用高斯混合模型作为置信度估计模块，基于反馈的内在特征将隐式反馈划分为两个不相交的数据集：可靠数据集和不可靠数据集。为实现在双重稳健学习，我们设计了一个迭代交叉协同训练模块，该模块包含两个关键组件：两阶段可靠学习过程和跨样本传输机制。两阶段可靠学习过程实现了在可靠和不可靠数据集上的半监督训练。同时，跨样本传输机制在联合学习中通过相互监督，迭代传输硬样本但干净的样本，从而增强稳健性。我们使用从四个真实世界显式反馈数据集中提取的干净测试集进行了大量实验，以验证我们的去噪方法，结果表明该方法在所有数据集上均具有优越的有效性。
Keyword:
Denoising Recommendation
Robust Recommendation
Semi-supervised Learning
期刊
IF:
4.8
论文数:
1.3K
被引数:
4.4K
机构
引用论文
Embedding-based News Recommendation for Millions of Users.png)
Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
PREAI
分享收藏COLTR: Semi-Supervised Learning to Rank With Co-Training and Over-Parameterization for Web SearchCOLTR: 半监督学习，用于Web搜索的协同训练和过度参数化
PREAI
分享收藏
Toward the next generation of recommender systems: A survey of the state-of-the-art and possible extensions走向下一代推荐系统: 对最新技术和可能扩展的调查
PREAI
分享收藏
查看更多内容