Неявная обратная связь давно стала стандартом для рекомендательных систем: такие сигналы легко собирать, и они подходят для самых разных сценариев. Но у этого источника данных есть проблема. В них много шума, например из‑за кликбейта или эффекта position bias.
Параллельно системы рекомендаций постоянно сталкиваются с задачей item cold-start, поскольку в каталоге регулярно появляются новые объекты. Авторы работы обращают внимание на важную деталь: именно cold-items чаще всего получают особенно шумные сигналы. При этом роль очистки неявной обратной связи для таких объектов обычно недооценивается.
Ранее предложенные методы денойзинга, как правило, ищут шумные примеры с помощью эвристик. Например, ориентируются на более высокие значения loss. После этого влияние таких данных уменьшают, либо отбирая примеры, либо пере-взвешивая их при обучении. По мнению авторов, у подобных подходов ограниченная адаптивность, поэтому они плохо работают в условиях cold-start.
В работе предложен модельно-независимый метод денойзинга под названием DIF. Он основан на предположении, что предпочтения пользователей к содержанию со временем остаются стабильными. Это позволяет выводить псевдометки о том, заинтересован ли пользователь в cold-item, опираясь на контентно похожие warm-items. Дополнительно метод оценивает уровень уверенности в полученных псевдометках, чтобы повысить точность.
Ключевые факты
В препринте arXiv:2606.19658v1 представлена модельно-независимая методика очистки неявной обратной связи для рекомендаций при холодном старте под названием DIF.
Авторы отмечают, что неявная обратная связь в рекомендательных системах часто содержит шум, включая примеры вроде clickbait и position bias.
В работе утверждается, что новые (cold) объекты более подвержены шумным сигналам в неявной обратной связи.
Метод DIF выводит псевдометки интереса пользователя к новому объекту, опираясь на контентно-похожие «тёплые» объекты и оценивая доверие к этим псевдометкам.