正未标记增强推荐模型

稀疏噪声下提升显著

融合PU学习与对抗学习，通过混合负采样更准确地识别可靠负样本，使推荐在数据稀疏和噪声条件下仍能保持稳定性能。

Deng, Jiangzhou · Huilin, Jin · Zhang, Zhiqiang · Ye, Jianmei · 王永 · Zhang, Leo Yu · Khushvakhtzoda, Kobiljon

Pattern Recognition 2026

参数信息

HR@5提升

4.8 %

NDCG@5提升

4.0 %

技术优势

负样本更可靠

通过PU学习分析正样本与未标记样本分布，识别出更可靠的负样本用于训练。

噪声干扰小

混合负采样策略结合困难负样本和弱负样本，有效捕获用户偏好，减少噪声数据干扰。

应用场景

• 推荐系统：可直接集成到现有推荐系统，替代传统负采样模块，在稀疏噪声场景下提升推荐精度。
• 个性化信息过滤：在个性化信息过滤中，用PU学习识别可靠负样本，减少噪声影响，让推荐更符合个人偏好。
• 隐式反馈处理：针对隐式反馈的正负样本不平衡与噪声问题，通过混合负采样策略改进模型训练，提升对隐式反馈的利用效率。