面向冷启动推荐的大语言模型合成数据筛选：一种渐进式影响函数方法

《ACM Transactions on Information Systems》：Filtering LLM-Synthesized Data for Cold-Start Recommendation: A Progressive Influence Function Approach

　　

摘要AI 摘要

要查看此 AI 生成的摘要，您必须拥有高级访问权限。

了解更多登录

摘要

摘要

利用大型语言模型（LLMs）合成的数据来实现冷启动实体的表示学习，已成为解决冷启动推荐问题的一个有前景的解决方案。然而，现有研究往往过度依赖 LLM 生成的数据，而忽略了其可能引入的有害噪声。本研究调查了用于移除有害合成样本的数据过滤机制。

一种有前景的方法是使用影响函数来衡量每条数据的影响。然而，由于存在未知噪声，准确的影响估计需要一个无偏的参考模型，这一要求无法满足，从而产生了技术挑战。为了解决这个问题，我们进行了理论分析，揭示当目标是识别一小部分高度有害的数据时，即使是有偏模型也能可靠地捕捉到最具破坏性的点。基于这一见解，我们提出了一种基于渐进影响函数的方法（PIF）用于数据过滤。PIF 迭代优化影响估计：在移除前一步中最有害的数据后，反复训练新的参考模型并重新评估影响。随着有害数据的逐步移除，参考模型的偏差越来越小。最后，PIF 集成多次迭代的影响估计以实现稳健的过滤。大量实验验证了我们方法的有效性。

AI 摘要

AI 生成摘要（实验性）

本摘要使用自动化工具生成，并非由文章作者撰写或审阅。提供此摘要是为了支持文献发现，帮助读者评估相关性，并协助来自邻近研究领域的读者理解该工作。它旨在补充作者提供的摘要，后者仍然是论文的主要摘要。全文仍然是权威记录版本。点击此处了解更多。

点击此处评论本摘要的准确性、清晰度和实用性。这样做将有助于为改进和未来的重新生成版本提供参考信息。

要查看此 AI 生成的通俗摘要，您必须拥有高级访问权限。