Метод DIF предлагает очищать неявную обратную связь для задач cold-start в рекомендательных системах

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.