arXiv cs.AI· Xinyu He, Jose Sepulveda, Mostafa Rahmani, Alyssa Woo, Fei Wang, Hanghang Tong·· 10 小时前AI 评分18
TintCF：利用时间信息为协同过滤去噪
Time Will Tell: Harness Time to Denoise Collaborative Filtering
AI 导读
研究者提出 TintCF 机制，通过生成融合全局偏好与时间模式的时间感知用户/物品嵌入，为协同过滤去噪。该方法给出 Tint-A（重加权邻接矩阵）和 Tint-L（重加权损失函数）两种策略，在四个真实数据集上的实验验证了其有效性，并表明时间信息确实有助于识别和修正噪声边。代码已开源，论文被 IEEE BigData 2026 接收。
正文 · AI 翻译
摘要：神经图协同过滤因其在捕捉用户-物品交互方面的卓越能力，成为推荐领域的有力工具。尽管已取得实质性进展，交互数据的噪声特性仍是协同过滤中的重大挑战，尤其是对于从隐式反馈中收集的数据。噪声交互和恶意用户构造的交互都会严重降低模型性能。为了净化输入数据并增强模型鲁棒性，理解如何识别和修正噪声交互至关重要。现有去噪方法侧重于挖掘用户/物品嵌入与噪声交互之间的相关性，忽略了去噪的时间维度。然而，正如本文所观察到的，时间信息在揭示噪声边方面具有自然且独特的优势。在本工作中，我们引入了一种简单而有效的机制，用于生成时间感知的用户/物品嵌入，该嵌入同时捕捉全局偏好和时间模式。我们提出了两种策略——重加权邻接矩阵（Tint-A）和重加权损失函数（Tint-L），以利用这些嵌入完成使用\underline{时}间\underline{信}息去噪\underline{协}同\underline{过}滤（TintCF）的任务。我们在四个真实世界数据集上进行了大量实验，证明了我们方法的有效性，并说明了时间信息确实有助于识别和修正噪声边。我们的代码可在 \href{此 https URL}{此 https URL} 获取。
| 评论： | 已被 IEEE BigData 2026 接收 |
| 主题： | 信息检索（cs.IR）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2411.09181 [cs.IR] |
| （或 arXiv:2411.09181v2 [cs.IR] 为本版本） | |
| https://doi.org/10.48550/arXiv.2411.09181 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Xinyu He [查看邮箱]
[v1]
2024年11月14日星期四 04:39:30 UTC（134 KB）
[v2]
2026年10月30日星期五 04:06:39 UTC（355 KB）
来源：arXiv cs.AI · arxiv.org