一种半监督协同训练算法，用于实现鲁棒的推荐系统

《ACM Transactions on Knowledge Discovery from Data》：A Semi-supervised Co-training Algorithm for Robust Recommendation

针对隐式反馈中用户级不确定性引起的噪声问题，提出半监督协同训练算法（SSCDL），通过GMM置信估计分离可靠与不可靠数据集，设计双稳健学习与交叉样本传输机制，在四个真实数据集上验证其鲁棒性和准确性优势。

　　

摘要

推荐算法已在多个领域得到广泛应用。然而，用户在对隐式反馈的评估中存在的不确定性会引入误报信号，导致用户行为与真实偏好不符，并产生干扰。这使得传统推荐方法难以同时实现鲁棒性和准确性。在本文中，我们提出了一种半监督协同训练算法（SSCDL），用于推荐系统中的去噪学习。该算法结合了监督学习和半监督学习的方法。首先，我们采用高斯混合模型（GMM）作为置信度估计模块，根据反馈的内在特征将隐式反馈划分为两个互不相交的数据集：一个可靠的数据集和一个不可靠的数据集。为了实现双重鲁棒性，我们设计了一个迭代式交叉协同训练模块，该模块包含两个关键部分：两阶段的可靠学习过程和跨样本传输机制。两阶段的可靠学习过程允许在可靠数据集和不可靠数据集上进行半监督训练；同时，跨样本传输机制在两个网络之间迭代传输高质量且干净的样本，通过联合学习过程中的相互监督来提升系统的鲁棒性。我们使用从四个真实世界的显式反馈数据集中提取的干净测试集进行了大量实验，验证了我们的去噪方法在所有数据集上的优越有效性。