論文の概要: Denoising Implicit Feedback for Cold-start Recommendation

• arxiv url: http://arxiv.org/abs/2606.19658v1
• Date: Wed, 17 Jun 2026 23:50:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.583772
• Title: Denoising Implicit Feedback for Cold-start Recommendation
• Title（参考訳）: 冷間始動勧告に対する暗黙のフィードバック
• Authors: Gaode Chen, Shicheng Wang, Shikun Li, Rui Huang, Xinghua Zhang, Yunze Luo, Shipeng Li, Shiming Ge, Ruina Sun, Yinjie Jiang, Jun Zhang,
• Abstract要約: 寒冷品は, 新しい品目が連続的に流入するので, ノイズが多いことが判明した。 従来の騒音分析では、通常、より高い損失値に基づいてノイズのあるサンプルを識別し、サンプルの選択や再重み付けによってノイズを軽減する。 コールドスタート推薦のための暗黙的フィードバックを実現するために,DIFと呼ばれるモデルに依存しないデノナイズ手法を提案する。
• 参考スコア（独自算出の注目度）: 32.242895545464485
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Implicit feedback is widely used in recommender systems due to its accessibility and generality, yet it usually presents noisy samples (e.g., clickbait, position bias). Meanwhile, recommenders inevitably face the item cold-start problem due to the continuous influx of new items. We identify that cold items are more prone to noisy samples due to the aforementioned factors, and researchers often overlook the significance of denoising implicit feedback for cold items. Previous denoising studies usually identify noisy samples based on heuristic patterns, such as higher loss values, and mitigate noise through sample selection or re-weighting. However, these methods have limited adaptability and are ineffective in cold-start scenarios. To achieve denoising implicit feedback for cold-start recommendation, we propose a model-agnostic denoising method called DIF. First, user preferences for content remain stable, which allows us to infer pseudo-labels indicating whether a user is interested in a cold item through content-similar warm items. Furthermore, to improve pseudo-label accuracy, we model the confidence of pseudo-labels based on the content similarity between the cold item and warm items, and then aggregate multiple pseudo-labels for each sample. Finally, we explicitly estimate the uncertainty of the noisy sample label by considering its relative entropy and the cold-start status of the item, which adaptively guides the role of pseudo-labels to correct the noisy labels at the sample level. DIF's superiority is supported by both theoretical justification and extensive experiments on real-world datasets. The method has been deployed on a billion-user scale short video application Kuaishou and has significantly improved various commercial metrics within cold-start scenarios.
• Abstract（参考訳）: 入射フィードバックは、アクセシビリティと一般性のためにリコメンデーターシステムで広く使われているが、通常ノイズの多いサンプル(例えば、クリックベイト、位置バイアス)を提示する。 一方、リコメンデータは、新しいアイテムの継続的な流入により、必然的にコールドスタートの問題に直面します。 寒冷品は, 上記の要因により, ノイズが多いことや, 寒冷品に対する暗黙的なフィードバックを軽視することの重要性を, 研究者はよく見落としている。 従来の騒音分析では、通常、より高い損失値などのヒューリスティックなパターンに基づいてノイズを識別し、サンプルの選択や再重み付けによるノイズを軽減する。 しかし、これらの手法は適応性に制限があり、コールドスタートのシナリオでは効果がない。 冷間開始推奨に対する暗黙的フィードバックを実現するために,DIF と呼ばれるモデルに依存しない復調手法を提案する。 まず、コンテンツに対するユーザの嗜好は安定しており、コンテンツに類似した温かいアイテムを通じて、ユーザーが冷たいアイテムに興味を持っているかどうかを示す擬似ラベルを推測することができる。 さらに,擬似ラベルの精度を向上させるために,寒冷品と温暖品との内容類似性に基づいて擬似ラベルの信頼性をモデル化し,サンプル毎に複数の擬似ラベルを集約する。 最後に,本項目の相対エントロピーと冷間開始状態を考慮することで,ノイズラベルの不確かさを明示的に推定し,擬似ラベルの役割を適応的に誘導し,サンプルレベルのノイズラベルを補正する。 DIFの優位性は、理論的な正当化と実世界のデータセットに関する広範な実験の両方によって支持されている。 この方法は10億人規模のショートビデオアプリケーションKuaishouにデプロイされ、コールドスタートシナリオにおけるさまざまな商用メトリクスを大幅に改善した。

関連論文リスト

• Cold-Starts in Generative Recommendation: A Reproducibility Study [66.21573264364211]
  コールドスタートレコメンデーションは、オープンワールドプラットフォームにおいて依然として中心的な課題である。 本稿では,コールドスタートプロトコルの統一スイートに基づく生成的推薦の体系的研究について述べる。
  論文  参考訳（メタデータ） (2026-03-31T15:06:31Z)
• Combating Noisy Labels through Fostering Self- and Neighbor-Consistency [120.4394402099635]
  ラベルノイズは様々な現実世界のシナリオで広まり、教師付きディープラーニングの課題を提起する。 我々は、Jo-SNC(textbfSelf- と textbfNeighbor-textbfConsistency に基づくサンプル選択とモデル正規化)というノイズロバスト手法を提案する。 我々は、クラスごとの選択閾値を調整するための自己適応型データ駆動しきい値設定方式を設計する。
  論文  参考訳（メタデータ） (2026-01-19T07:55:29Z)
• Recommendation Is a Dish Better Served Warm [0.6827423171182154]
  本研究では,冷間開始境界について,利用者や項目が冷間と見なされるべきかどうかを判断するための基準を検討することにより,体系的に検討する。 以上の結果から,寒冷開始しきい値の不整合の選択は,不要なデータ除去につながるか,あるいは寒冷インスタンスの誤分類につながる可能性が示唆された。
  論文  参考訳（メタデータ） (2025-08-11T11:14:49Z)
• Large Language Model Enhanced Hard Sample Identification for Denoising Recommendation [4.297249011611168]
  暗黙のフィードバックは、しばしばレコメンデーションシステムを構築するために使われる。 従来の研究では、分散したパターンに基づいてノイズの多いサンプルを識別することで、これを緩和しようと試みてきた。 大規模言語モデル強化型ハードサンプルデノゲーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-16T14:57:09Z)
• Double Correction Framework for Denoising Recommendation [45.98207284259792]
  暗黙のフィードバックでは、ノイズの多いサンプルが正確なユーザの好みの学習に影響を与える可能性がある。 一般的なソリューションは、モデルトレーニングフェーズでノイズの多いサンプルをドロップすることに基づいている。 提案手法では,勧告を記述するための二重補正フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-18T12:15:10Z)
• Neighborhood Collective Estimation for Noisy Label Identification and Correction [92.20697827784426]
  ノイズラベルを用いた学習(LNL)は,ノイズラベルに対するモデルオーバーフィットの効果を軽減し,モデル性能と一般化を改善するための戦略を設計することを目的としている。 近年の進歩は、個々のサンプルのラベル分布を予測し、ノイズ検証とノイズラベル補正を行い、容易に確認バイアスを生じさせる。 提案手法では, 候補サンプルの予測信頼性を, 特徴空間近傍と対比することにより再推定する。
  論文  参考訳（メタデータ） (2022-08-05T14:47:22Z)
• Probabilistic and Variational Recommendation Denoising [56.879165033014026]
  暗黙のフィードバックから学ぶことは、推奨システムの適用において最も一般的なケースの1つである。 本稿では,暗黙のフィードバックに対する確率的・変動的推薦を提案する。 提案したDPIとDVAEを4つの最先端レコメンデーションモデルに適用し、3つのデータセットで実験を行う。
  論文  参考訳（メタデータ） (2021-05-20T08:59:44Z)
• Jo-SRC: A Contrastive Approach for Combating Noisy Labels [58.867237220886885]
  Jo-SRC (Joint Sample Selection and Model Regularization based on Consistency) というノイズロバスト手法を提案する。 具体的には、対照的な学習方法でネットワークをトレーニングする。 各サンプルの2つの異なるビューからの予測は、クリーンまたは分布不足の「可能性」を推定するために使用されます。
  論文  参考訳（メタデータ） (2021-03-24T07:26:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。