去噪图协同过滤框架

噪声鲁棒推荐

利用邻域相似性与动态阈值机制，在结构去噪与样本重加权中减轻噪声交互对图协同过滤的负面影响。

叶海波 · Lijun, Zhang · 姚远 · 黄圣君

IEEE Transactions on Big Data 2024

参数信息

最佳性能数据集数量

4

实例化代表性模型数量

2

技术优势

去噪更准

利用用户和物品的邻域信息估计可靠性，避免仅依靠交互本身的噪声信号，使可靠性计算更干净。

阈值自定

动态阈值策略自动确定每条交互是否噪声，无需人工设定或调参，更适合不同噪声程度的数据。

双重抑制

同时采用结构去噪和样本重加权两种手段减轻噪声的负面影响，对噪声数据更鲁棒。

应用场景

• 推荐系统：在用户-物品交互噪声严重时仍能保持高推荐准确率，尤其适合真实场景中的隐式反馈数据。
• 图神经网络：为基于图神经网络的推荐模型提供通用的去噪模块，可直接嵌入现有架构提升鲁棒性。