DLRREC: Denoising Latent Representations via Multi-Modal Knowledge Fusion in Deep Recommender Systems
Georgia Institute of Technology（佐治亚理工学院）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）
DLRREC通过深度融合多模态和协同知识，提升深度推荐系统中潜在表示的去噪能力，从而实现更精确的推荐性能。
2025-11-29 cs.AI cs.IR
Denoising Implicit Feedback for Cold-start Recommendation
Hong Kong Baptist University（香港浸会大学）；Independent Researcher（独立研究员）；Peking University（北京大学）；Nanjing University（南京大学）；Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）
针对冷启动推荐中隐式反馈噪声问题，提出模型无关的去噪方法DIF，通过内容相似性推断伪标签并建模置信度与不确定性，在快手应用中显著提升冷启动场景商业指标。
2026-06-19 cs.AI cs.IR cs.MM
Graph Collaborative Signals Denoising and Augmentation for Recommendation
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；Amazon Ads（亚马逊广告）；Beihang University（北京航空航天大学）；University of California, Davis（加州大学戴维斯分校）
本文提出 GraphDA，通过 top-K 采样去噪用户-物品交互矩阵，并增广用户-用户与物品-物品相关性，以提升图协同过滤在交互丰富和稀疏场景下的推荐性能。
2023-04-10 cs.AI cs.IR cs.LG
Burger: Robust Graph Denoising-augmentation Fusion and Multi-semantic Modeling in Social Recommendation
Beijing Advanced Innovation Center for Future Blockchain and Privacy Computing（未来区块链与隐私计算先进创新中心）；School of Artificial Intelligence, Beihang University（北京航空航天大学人工智能学院）；School of Cyber Science and Engineering, Huazhong University of Science and Technology（华中科技大学网络安全与工程学院）
针对社交推荐中社交网络与用户-物品交互网络间语义相互影响的研究不足，提出Burger模型，通过构建社交张量、双语义协调损失及贝叶斯后验概率去噪，显著提升了推荐性能。
2025-09-15 cs.AI cs.IR cs.SI
Enhancing Recommendation with Denoising Auxiliary Task
College of Big Data and information engineering, Guizhou University（贵州大学大数据与信息工程学院）；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of the Chinese Academy of Sciences（中国科学院大学）
针对用户交互序列中的噪声问题，提出自监督辅助任务联合训练ATJT，通过构造人工替换噪声并联合训练实现噪声序列重加权，在三个数据集上验证可提升推荐基础模型性能。
2024-09-25 cs.AI cs.IR cs.LG
Time Will Tell: Harness Time to Denoise Collaborative Filtering
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Amazon（亚马逊公司）
针对隐式反馈中噪声交互影响推荐性能的问题，提出DeBaTeR方法，利用时间感知嵌入并通过重新加权邻接矩阵和损失函数两种策略对二部时序图去噪，显著提升模型性能与鲁棒性。
2026-11-02 cs.AI cs.IR cs.LG
Learning Robust Recommenders through Cross-Model Agreement
University of Science and Technology of China（中国科学技术大学）；Shandong University（山东大学）；Cambridge University（剑桥大学）；University of Glasgow（格拉斯哥大学）；University of Science of Technology of China（中国科学技术大学）
从隐式反馈中学习是推荐系统应用中最常见的情况之一。一般来说，交互的例子被认为是积极的，而消极的例子是从未交互的例子中取样的。然而，噪声的例子是普遍存在于现实世界的隐式反馈。一个嘈杂的正面例子可以交互，但它实际上会导致负面的用户偏好。由于用户不知道而未交互的嘈杂的负面示例也可以表示潜在的正面用户偏好。传统的训练方法忽略了这些嘈杂的例子，导致次优的建议。在这项工作中，我们提出了一个新的框架来学习强大的隐式反馈。通过实证研究，我们发现，不同的模型作出相对相似的预测干净的例子，这表明了真正的用户偏好，而在嘈杂的例子的预测不同的模型之间的差异更大。受此影响，我们提出了跨模型协议（DeCA）去噪，旨在最大限度地减少由两个推荐模型参数化的真实用户偏好分布之间的KL分歧，同时最大限度地提高数据观察的可能性。我们采用建议的DeCA四个国家的最先进的推荐模型和四个数据集上进行实验。实验结果表明，DeCA显著提高推荐性能相比，正常的训练和其他去噪方法。代码将是开源的。
2022-03-13 cs.AI cs.IR
Diffusion-EXR: Controllable Review Generation for Explainable Recommendation via Diffusion Models
King’s College London（伦敦国王学院）；Singapore University of Social Sciences（新加坡社会科学院）
Diffusion-EXR通过扩散模型实现可解释推荐的可控评论生成，利用DDPM在推荐系统中生成高质量评论。
2026-03-03 cs.AI cs.IR
Rethinking Purity and Diversity in Multi-Behavior Sequential Recommendation from the Frequency Perspective
本文从频率视角重新审视多行为序列推荐，发现低频对应兴趣纯净性、高频对应多样性，据此提出PDB4Rec模型，通过提取多频带信息并引入自举平衡器机制提升推荐性能。
2025-10-16 cs.AI cs.IR
LLM4DSR: Leveraging Large Language Model for Denoising Sequential Recommendation
Zhejiang University（浙江大学）；OPPO Co Ltd（OPPO公司）
针对序列推荐中的噪声交互问题，本文提出LLM4DSR，通过自监督微调与不确定性估计让LLM识别并校正噪声，且可适配多种推荐模型。
2025-06-07 cs.AI cs.IR
When SparseMoE Meets Noisy Interactions: An Ensemble View on Denoising Recommendation
School of Computer Science and Information Engineering（计算机科学与信息工程学院）；Hefei University of Technology（合肥工业大学）
本文提出自适应集成学习（AEL）去噪推荐方法，利用稀疏门控网络动态选择专家，并通过组件堆叠构建多样性子推荐器，在多种噪声条件下取得优于现有方法的性能。
2024-12-26 cs.AI cs.IR
Empowering Denoising Sequential Recommendation with Large Language Model Embeddings
City University of Hong Kong（香港城市大学）；Harbin Engineering University（哈尔滨工程大学）
针对序列推荐仅靠协同信息去噪易出现过度去噪（尤其对冷物品）的问题，提出融合协同与语义信息的IADSR两阶段框架，经四个公开数据集验证有效且兼容不同序列推荐系统。
2025-10-05 cs.AI cs.IR
Beyond Interactions: Node-Level Graph Generation for Knowledge-Free Augmentation in Recommender Systems
KAIST（韩国科学技术院）
本文提出无知识增强框架 NodeDiffRec，通过扩散生成节点级伪物品及交互并结合去噪偏好建模，在不依赖外部知识的情况下显著提升推荐性能。
2025-07-28 cs.AI cs.IR
Denoising Long- and Short-term Interests for Sequential Recommendation
Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所）；College of Computer Science, Chongqing University（重庆大学计算机学院）；University of Chinese Academy of Sciences（中国科学院大学）
本文提出长短期兴趣去噪网络（LSIDN），通过会话级提取和对比学习分别去噪长期与短期兴趣，在公开数据集上超越现有模型，实现稳健的序列推荐。
2024-07-20 cs.AI cs.IR
Unleashing the Power of Large Language Model for Denoising Recommendation
针对推荐系统隐式反馈数据噪声问题，提出LLaRD框架，利用LLMs生成去噪知识并结合思维链技术与信息瓶颈原理，有效提升去噪和推荐准确性。
2025-02-13 cs.IR
Adapting Knowledge Graphs for Behavior Denoising in Sequential Recommendation
Northeastern University（东北大学）
本文提出AdaptedKG，通过为每个训练样本推导校准后的知识图谱证据，实现序列推荐中的行为去噪，在标准及多个行为去噪序列推荐器上均取得性能提升。
2026-08-24 cs.AI cs.IR
Dual-domain Collaborative Denoising for Social Recommendation
针对社交网络与交互数据中的噪声及其跨GNN传播问题，本文提出DCDSR，通过结构级双向协同去噪、嵌入空间协同扰动对比学习及Anchor-InfoNCE提升社交推荐性能。
2024-05-08 cs.IR cs.SI
Robust Preference-Guided Denoising for Graph based Social Recommendation
基于图神经网络（GNN）的社会推荐模型通过利用GNN挖掘社会关系中包含的偏好相似性来提高用户偏好的预测精度。然而，就推荐的有效性和效率而言，很大一部分社会关系可能是冗余的甚至是嘈杂的，例如，朋友在某个领域没有共同的偏好是很正常的。现有的模型不能完全解决关系冗余和噪音的问题，因为它们直接表征了整个社交网络的社会影响力。在本文中，我们提出通过仅保留信息社会关系来改进基于图的社会推荐，以确保高效和有效的影响力扩散，即，图去噪我们设计的去噪方法是偏好引导的，以建立社会关系信心模型，并通过为推荐模型提供一个去噪但信息量更大的社交图来帮助用户偏好学习。此外，为了避免噪声社会关系的干扰，它设计了一个自校正课程学习模块和自适应去噪策略，都有利于高置信度的样本。在三个公开数据集上的实验结果表明，该算法通过鲁棒地删除10-40%的原始关系，对两种最先进的社会推荐模型具有一致的改进能力。我们在https://github.com/tsinghua-fib-lab/Graph-Denoising-SocialRec上发布源代码。
2023-03-15 cs.IR
Code Librarian: A Software Package Recommendation System
JP Morgan Chase（摩根大通）
使用打包库可以通过提高代码的质量和可读性来显著缩短软件开发周期。在本文中，我们提出了一个推荐引擎称为Librarian的开源图书馆。推荐一个候选库包用于给定的上下文，如果：1）它经常与程序中导入的库一起使用; 2）它与程序中导入的库具有相似的功能; 3）它与开发人员的实现具有相似的功能; 4）它可以在所提供的代码的上下文中有效地使用。我们应用最先进的基于CodeBERT的模型来分析源代码的上下文，以向用户提供相关的库建议。
2023-02-07 cs.AI cs.SE
Post-Training Denoising of User Profiles with LLMs in Collaborative Filtering Recommendation
University of Copenhagen（哥本哈根大学）；LUT University（拉彭兰塔理工大学）
利用LLM对用户资料进行后训练去噪以提升协同过滤推荐效果
2026-01-25 cs.IR
Large Language Model Enhanced Hard Sample Identification for Denoising Recommendation
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
针对隐式反馈推荐中难样本与噪声样本模式相似难以区分的问题，提出LLMHD框架，通过LLM语义评分识别难样本，结合剪枝策略与迭代偏好更新提升去噪推荐效果，经多数据集与骨干模型验证有效。
2024-09-16 cs.AI cs.IR
Collaborative Recurrent Autoencoder: Recommend while Learning to Fill in the Blanks
Hong Kong University of Science and Technology（香港科技大学）
利用内容和评级信息的混合方法通常用于许多推荐系统中。然而，他们中的大多数使用手工制作的功能或词袋表示作为替代的内容信息，但他们既不有效，也不够自然。为了解决这个问题，我们开发了一个协作循环自动编码器（CRAE），这是一个去噪循环自动编码器（DRAE），模拟在协同过滤（CF）设置的内容序列的生成。该模型从i.i.d.中概括了循环深度学习的最新进展。输入到非i.i.d.（基于CF）输入，并提供了一个新的去噪方案以及一个新的可学习的池化方案的经常性自动编码器。要做到这一点，我们首先开发一个分层贝叶斯模型的DRAE，然后将其推广到CF设置。去噪和CF之间的协同作用使CRAE能够在学习填补序列中的空白的同时做出准确的建议。在不同领域（CiteULike和Netflix）的真实数据集上的实验表明，通过联合建模内容信息的序列的顺序感知生成和对评级执行CF，CRAE能够在基于评级的推荐任务和基于内容信息的序列生成任务上显著优于现有技术。
2016-11-02 cs.AI cs.CL cs.CV
Adaptive Long-term Embedding with Denoising and Augmentation for Recommendation
Amirkabir University of Technology (Tehran Polytechnic)（阿美里卡布大学（德黑兰理工大学））
针对基于图的序列推荐系统面临的噪声和静态表示问题，提出ALDA4Rec方法，通过社区检测去噪、丰富交互并结合自适应加权策略学习表示，实验表明其在四个数据集上的准确性和鲁棒性优于现有基线。
2025-04-18 cs.AI cs.IR cs.NE
Weightless Neural Networks for Continuously Trainable Personalized Recommendation Systems
nimo Omnis Labs
本文提出使用无权神经网络构建逐用户的小型个性化推荐模型，实现持续学习并提升透明度，在MovieLens子集上取得与经典加权系统和协同过滤相当的准确率。
2025-09-15 cs.AI cs.IR cs.LG
AutoDenoise: Automatic Data Instance Denoising for Recommendations
历史用户-项目交互数据集在训练现代推荐系统以预测用户偏好方面是必不可少的。然而，在大多数推荐场景中，用户的任意行为导致大量的噪声数据实例被记录，这不能完全代表他们的真实兴趣。虽然在推荐系统社区中出现了大量的去噪研究，但所有这些研究都受到高度动态数据分布的影响。在本文中，我们提出了一种基于深度强化学习（DRL）的框架AutoDenoise，带有实例去噪策略网络，用于在深度推荐系统中以实例选择方式对数据实例进行去噪。具体来说，AutoDenoise作为DRL中的代理，自适应地选择无噪声和预测性数据实例，然后可以直接用于训练代表性推荐模型。此外，我们设计了一个交替的两阶段优化策略，训练和验证AutoDenoise正确。在搜索阶段，训练具有实例去噪能力的策略网络;在验证阶段，通过对训练好的策略网络选取的数据实例进行去噪子集的查找和评价，验证其去噪能力。我们进行了大量的实验，以验证AutoDenoise结合多个代表性的推荐系统模型的有效性。
2023-03-12 cs.IR
A Missing Information Loss function for implicit feedback datasets
BBVA Data & Analytics（BBVA数据分析公司）
隐式反馈推荐系统的潜在因素模型通常将未观察到的用户-项目交互（即丢失信息）视为负反馈。这通常是通过负采样（逐点损失）或排序损失函数（成对或列表估计）来完成的。由于零偏好推荐是大多数常见目标函数的有效解决方案，因此将未知值视为实际零会导致用户对大多数可用项目具有零偏好推荐。在本文中，我们提出了一种新的目标函数，\emph{Missing Information Loss}（MIL），明确禁止治疗未观察到的用户项交互的积极或消极的反馈。我们将这种损失应用于传统的矩阵分解和基于用户的去噪自动编码器，并将其与其他已建立的目标函数进行比较，如交叉熵（点和成对）或最近提出的多项式对数似然。MIL在应用于三个数据集时，在排名感知指标方面取得了有竞争力的性能。此外，我们表明，这种相关性的建议，同时显示受欢迎的项目不太频繁（最多$20 \%$减少相对于最好的竞争方法）。这种对流行项目推荐的去偏倾向于不常见项目的出现（直到长尾推荐的$50 \%$增加），这对于具有大的产品目录的推荐系统是有价值的特征。
2018-08-16 cs.AI cs.IR cs.LG
SPADE: Escaping the Popularity-Similarity Frontier to Measure Serendipitous Recommendations
University of Antwerp（安特卫普大学）；University of Helsinki（赫尔辛基大学）
提出SPADE指标，通过二维帕累托前沿距离同时衡量相似度、流行度与用户相关性，在五个数据集上验证其能有效识别真正的惊喜推荐。
2026-09-28 cs.AI cs.IR cs.LG
Conditional Denoising Diffusion for Sequential Recommendation
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；Salesforce（赛富时）
针对GAN和VAE在序列推荐中的优化不稳定、后验坍缩等问题，提出含序列编码器、交叉注意力去噪解码器和逐步扩散器的条件去噪扩散模型，并结合交叉散度与对比损失，在四个基准数据集上验证了优越性能。
2023-04-22 cs.AI cs.IR cs.LG
Knowledge-refined Denoising Network for Robust Recommendation
针对现有知识感知推荐存在任务无关知识传播与易受交互噪声影响的问题，提出知识精炼去噪网络KRDN，结合自适应知识精炼与对比去噪机制，在三个基准数据集上性能优于多种现有先进模型。
2023-04-28 cs.IR
RuleAgent: Discovering Rules for Recommendation Denoising with Autonomous Language Agents
RuleAgent利用自主语言智能体模拟数据专家，自动发现推荐去噪规则，并引入LossEraser遗忘策略避免频繁重训练，在基准数据集上取得最优性能且规则可泛化。
2025-03-30 cs.IR
Multi-Granularity Sequence Denoising with Weakly Supervised Signal for Sequential Recommendation
针对序列推荐中无监督去噪易误删用户兴趣物品且忽略兴趣粒度噪声的问题，提出MGSD-WSS模型，利用弱监督信号与多高斯核感知机准确识别噪声，结合噪声加权对比学习实现物品与兴趣双重粒度去噪，在五个数据集上显著优于现有方法。
2025-10-12 cs.IR
Semantics-Aware Denoising: A PLM-Guided Sample Reweighting Strategy for Robust Recommendation
Columbia University（哥伦比亚大学）；University of Michigan（密歇根大学）；Carnegie Mellon University（卡内基梅隆大学）；University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
本文提出SAID方法，通过预训练语言模型识别语义不一致的点击交互，有效提升推荐系统的鲁棒性与准确性。
2026-02-17 cs.IR
Beyond Noisy Signals: Dual-Level Denoising for Multi-modal Sequential Recommendation
University of Science and Technology of China（中国科学技术大学）
研究多模态序列推荐中的双重噪声困境，提出DDMSR框架，从特征拓扑和序列频率角度净化信号，设计基于图的特征去噪与频域序列去噪模块，纳入多模态对比对齐目标，实验证明该框架性能优于基线。
2026-08-17 cs.IR
Self-Guided Learning to Denoise for Robust Recommendation
隐式反馈的普遍性使其成为构建现代推荐系统的默认选择。一般来说，观察到的相互作用被认为是正样本，而未观察到的相互作用被认为是负样本。然而，由于噪声积极和噪声消极的相互作用的普遍存在，隐式反馈本质上是嘈杂的。近年来，一些研究注意到了隐式反馈去噪对推荐的重要性，并在一定程度上增强了推荐模型的鲁棒性。尽管如此，它们通常无法（1）捕获硬而干净的交互以学习全面的用户偏好，以及（2）提供可应用于各种推荐模型的通用去噪解决方案。在本文中，我们深入研究了推荐模型的记忆效应，并提出了一种新的去噪范式，即，自我引导去噪学习（SGDL），能够在训练的早期阶段收集记忆的交互（即，“抗噪”时段），并利用这些数据作为去噪信号来指导后续训练（即，“噪声敏感”时期）。此外，我们的方法可以自动切换其学习阶段的记忆点从记忆到自我引导学习，并选择干净和信息的记忆数据，通过一种新的自适应去噪调度，以提高鲁棒性。我们将SGDL与四个代表性的推荐模型（即，NeuMF、CDAE、NGCF和LightGCN）和不同的损失函数（即，二进制交叉熵和BPR损失）。在三个基准数据集上的实验结果证明了SGDL的有效性，超过了最先进的去噪方法，如T-CE，IR，DeCA，甚至是最先进的基于图的鲁棒方法，如SGCN和SGL。
2022-05-17 cs.IR
GraphFusionSBR: Denoising Multi-Channel Graphs for Session-Based Recommendation
Department of Computer Science and Information Engineering（计算机科学与信息工程系）；National Central University（国立中央大学）
图融合SBR通过多通道图融合和去噪技术提升基于会话的推荐准确性
2026-01-13 cs.IR cs.LG
SSDRec: Self-Augmented Sequence Denoising for Sequential Recommendation
针对序列推荐中仅靠序列内信息去噪易出现过度/去噪不足的问题，提出三阶段SSDRec框架，通过全局关系编码、自增强和分层去噪提升去噪可靠性，在五个真实数据集上表现优于现有方法。
2024-03-07 cs.IR
Denoising Neural Network for News Recommendation with Positive and Negative Implicit Feedback
Santa Clara University（圣克拉拉大学）；Tencent（腾讯）
新闻推荐不同于电影或电子商务推荐，因为人们通常不会对新闻进行分级。因此，用户对新闻的反馈总是隐含的（点击行为，阅读时间等）。在隐式反馈中不可避免地存在噪声。一方面，用户可能因为不喜欢新闻内容而在点击新闻后立即退出，在其正隐反馈中留下噪声;另一方面，用户可能同时被推荐多个感兴趣的新闻，并且仅点击其中一个，在其负隐反馈中产生噪声。相反的隐式反馈可以构建更完整的用户偏好，并相互帮助，以最大限度地减少噪音的影响。以往的新闻推荐研究只采用了积极的内隐反馈，受到了噪声的影响。本文提出了一种带正负隐反馈的去噪神经网络用于新闻推荐。DRPN利用这两种反馈进行推荐，并通过一个模块对正隐反馈和负隐反馈进行去噪，以进一步提高性能。在真实世界大规模数据集上的实验证明了DRPN的最新性能。
2022-04-09 cs.CL cs.IR
ANCHOR: Agentic Noise Creation Framework for Human Simulation and Denoising Recommendation
Xidian University（西安电子科技大学）；Shanghai Fairyland Software Co.,Ltd.（上海仙景软件有限公司）
提出ANCHOR框架，通过智能体模拟用户行为生成真实噪声标签，将推荐去噪转化为监督学习问题，实现高效噪声识别。
2026-08-04 cs.IR
Concept-Aware Denoising Graph Neural Network for Micro-Video Recommendation
Wuhan University（武汉大学）；Kuaishou Technology Co., Ltd.（快手科技有限公司）
最近，快手、抖音等微视频分享平台成为人们生活的主要信息来源。由于这些服务的大流量，短视频寿命和流媒体时尚，它已经变得越来越迫切，以提高现有的推荐系统，以适应这些挑战，在一个具有成本效益的方式。提出了一种新的概念感知去噪图神经网络（CONDE）微视频推荐方法。CONDE由三个阶段的图卷积过程组成，以获得用户和微视频表示：预热传播，图去噪和偏好细化。通过将用户节点与视频节点连接，以及将视频节点与从视频的字幕和评论中提取的相关联的概念节点连接，来构造异构三分图。为了解决图中的噪声信息，我们引入了面向用户的图去噪阶段，以提取更能反映用户偏好的子图。尽管本文的主要重点是微视频推荐，但我们也表明，我们的方法可以推广到其他类型的任务。因此，我们还进行了一个著名的公共电子商务数据集的实证研究。实验结果表明，建议CONDE实现显着更好的推荐性能比现有的国家的最先进的解决方案。
2021-09-28 cs.IR cs.LG
When Recommendation Denoising Meets Popularity Bias: Understanding and Mitigating Their Interaction
Australian Artificial Intelligence Institute（澳大利亚人工智能研究所）；University of Technology Sydney（悉尼科技大学）
本文通过分析去噪权重导致的头尾信号比变化，揭示小损失去噪会抑制干净但难拟合的长尾信号，提出流行度感知去噪（PAD）框架，根据物品流行度调节去噪强度，在三个数据集上提升了准确性与多样性。
2026-06-15 cs.IR
Disagreement as Signals: Dual-view Calibration for Sequential Recommendation Denoising
School of Big Data and Software Engineering, Chongqing University（重庆大学大数据与软件工程学院）；University of Queensland（昆士兰大学）
本文提出DC4SR框架，通过双视角校准提升顺序推荐的去噪效果，结合语义先验和模型后验分布，增强对用户兴趣演变的适应性。
2026-04-27 cs.IR
Multi-Level Sequence Denoising with Cross-Signal Contrastive Learning for Sequential Recommendation
针对现有序列推荐去噪方法易过拟合或丢失有效信息的问题，提出融合跨信号对比学习的多级序列去噪模型MSDCCL，结合软硬去噪策略与扩展课程学习，可适配多数推荐模型，在五个公开数据集上表现优于SOTA基线。
2024-06-20 cs.IR
Denoising Self-attentive Sequential Recommendation
基于transformer的顺序排序器非常强大，可以捕获短期和长期的顺序项依赖关系。这主要归功于他们独特的自我注意力网络，以利用序列中的成对项目-项目交互。然而，现实世界的项目序列往往是嘈杂的，这是特别真实的隐式反馈。例如，很大一部分点击与用户偏好不一致，许多产品最终得到负面评价或被退回。因此，当前用户操作仅取决于项目的子集，而不是整个序列。许多现有的基于transformer的模型使用完全注意力分布，这不可避免地将某些学分分配给不相关的项目。如果Transformers没有被适当地正则化，这可能导致次优性能。
2022-12-08 cs.IR
Denoising and Prompt-Tuning for Multi-Behavior Recommendation
在实际的推荐场景中，用户经常在多类型行为下与项目交互（例如，点击、添加到购物车和购买）。传统的协同过滤技术通常假设用户对项目仅具有单一类型的行为，使得其不足以利用复杂的协同信号来学习信息表示并推断实际的用户偏好。因此，一些先驱研究探索建模多行为异质性，以学习更好的表示和提高目标行为的推荐性能。然而，大量的辅助行为（即，点击和添加到购物车）可能会将不相关的信息引入购物车，这可能会误导目标行为（即，购买）推荐，呈现两个关键挑战：（i）对辅助行为进行去噪，以及（ii）弥合辅助行为和目标行为之间的语义鸿沟。基于上述观察，我们提出了一个新的框架-去噪和提示微调（DPT）与三阶段学习范式来解决上述挑战。特别是，DPT在第一阶段配备了模式增强的图形编码器，以数据驱动的方式学习复杂的模式作为先验知识，以指导后续阶段学习信息表示和精确定位可靠的噪声。因此，我们在接下来的阶段中采用不同的有效和高效的轻量级调优方法，以进一步减弱噪声的影响，并缓解多类型行为之间的语义鸿沟。在两个真实世界数据集上的大量实验证明了DPT在各种最先进方法上的优越性。实现代码可在https://github.com/zc-97/DPT上在线获得。
2023-02-12 cs.IR
Teach Me How to Denoise: A Universal Framework for Denoising Multi-modal Recommender Systems via Guided Calibration
提出通用引导同步蒸馏降噪框架GUIDER，通过重校准识别噪声交互、DBPR损失处理隐式反馈及最优传输蒸馏对齐模态与推荐语义，可即插即用提升多模态推荐系统性能。
2025-04-19 cs.IR
Joint Behavior-guided and Modality-coherence Conditional Graph Diffusion Denoising for Multi Modal Recommendation
Huazhong University of Science and Technology（华中科技大学）
本文提出JBM-Diff模型，通过多视图信息传播和特征融合去除多模态特征中的冗余信息，并从行为角度检测样本对的偏序一致性以提升推荐准确性。
2026-04-04 cs.IR
Denoising Implicit Feedback for Recommendation
普遍存在的隐式反馈使其成为构建在线推荐系统的默认选择。虽然大量的隐式反馈消除了数据稀疏性问题，但缺点是它们在反映用户的实际满意度方面并不干净。例如，在电子商务中，很大一部分点击并没有转化为购买，许多购买最终都得到了负面评价。因此，它是至关重要的，以考虑到不可避免的噪声在隐式反馈的推荐训练。然而，很少有工作建议已考虑到噪音的性质隐式反馈。在这项工作中，我们探讨了去噪隐式反馈推荐训练的中心主题。我们发现嘈杂的隐式反馈的严重负面影响，即，拟合噪声数据阻止了推荐器学习实际的用户偏好。我们的目标是识别和修剪噪声的相互作用，从而提高推荐训练的质量。通过观察正常推荐训练的过程，我们发现，噪声反馈通常在早期阶段具有较大的损失值。受此启发，我们提出了一种新的训练策略，称为自适应去噪训练（ADT），它自适应地修剪训练过程中的噪声相互作用。具体来说，我们设计了两种自适应损失公式化的范例：截断损失，丢弃大损失的样本在每次迭代中的动态阈值;和重加权损失，自适应地降低大损失样本的权重。我们在广泛使用的二进制交叉熵损失上实例化了这两种范例，并在三个有代表性的机器上测试了所提出的ADT策略。在三个基准测试上的大量实验表明，ADT显著提高了推荐的质量。
2021-01-03 cs.IR
Contrastive Matrix Completion with Denoising and Augmented Graph Views for Robust Recommendation
针对现有基于GNN的推荐方法对噪声边敏感、易过拟合的问题，提出结合去噪与增强图视图的对比矩阵补全方法MCCL，通过双视图表示与互学习提升泛化性，在精度和排序指标上均有显著改进。
2025-06-12 cs.AI cs.IR cs.NE
Efficient Bi-Level Optimization for Recommendation Denoising
Chongqing University（重庆大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；The University of Queensland（昆士兰大学）
该研究将隐式反馈推荐去噪建模为双层优化，通过内层学习推荐模型与权重、外层依据梯度及历史影响调整权重，并用权重生成器和一阶梯度匹配损失提升效率，在三个基准上超过现有通用与去噪推荐模型。
2023-06-01 cs.IR cs.LG
A Tale of Two Graphs: Freezing and Denoising Graph Structures for Multimodal Recommendation
针对多模态推荐中现有物品潜在图结构学习低效的问题，提出FREEDOM模型，通过冻结物品-物品图、度敏感剪枝去噪用户-物品交互图，在准确率提升的同时大幅降低内存开销。
2023-08-23 cs.IR cs.MM
Automated Data Denoising for Recommendation
本文提出AutoDenoise框架，利用少量显式反馈作为验证集，通过控制器网络和强化学习自动为带噪隐式反馈动态分配权重，从而提升推荐系统在多个基准数据集上的性能。
2023-05-26 cs.IR
Dynamic Spectral Denoising with Global-Context Attention for Multi-Behavior Recommendation
National University of Singapore（新加坡国立大学）；Singapore Management University（新加坡管理大学）；Hefei University of Technology（合肥工业大学）；University of Science and Technology of China（中国科学技术大学）
针对多行为推荐中行为依赖噪声和异质性导致的表示级瓶颈，提出动态特征级谱滤波和全局上下文注意力融合的SpectraMB模型，实现表示净化与可靠性感知融合。
2026-06-01 cs.IR
Towards Open-world Cross-Domain Sequential Recommendation: A Model-Agnostic Contrastive Denoising Approach
Rutgers University（罗格斯大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；MYbank, Ant Group（蚂蚁集团 MYbank）
针对开放世界跨域序列推荐中长尾和冷启动用户导致的性能下降及多行为语义鸿沟问题，提出一种模型无关的对比去噪方法以提升推荐一致性与有效性。
2024-06-05 cs.IR cs.LG
IGDMRec: Behavior Conditioned Item Graph Diffusion for Multimodal Recommendation
School of Information Technology, Carleton University（卡尔顿大学信息技术学院）
IGDMRec通过行为条件图扩散和条件去噪网络，利用用户行为信息去噪多模态推荐的语义物品图，提升推荐性能。
2025-12-23 cs.IR
