研究人员开发了一种新的模型无关方法DIF，以解决冷启动推荐系统对隐式反馈进行去噪的挑战。该方法通过利用用户对相似热门项目的偏好来推断冷门项目的伪标签，并对这些伪标签的置信度进行建模。DIF通过估计不确定性自适应地纠正噪声标签，并已成功部署在快手（一个大型短视频应用）上，显著改善了冷启动场景下的商业指标。 AI
影响 该方法通过更好地处理新项目和噪声用户反馈，可以提高推荐系统的有效性。
排序理由 该集群包含一篇详细介绍推荐系统新方法的学术论文。
在 arXiv cs.IR (Information Retrieval) 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.19658v1 Announce Type: new Abstract: Implicit feedback is widely used in recommender systems due to its accessibility and generality, yet it usually presents noisy samples (e.g., clickbait, position bias). Meanwhile, recommenders inevitably face the item cold-start pro…
Implicit feedback is widely used in recommender systems due to its accessibility and generality, yet it usually presents noisy samples (e.g., clickbait, position bias). Meanwhile, recommenders inevitably face the item cold-start problem due to the continuous influx of new items. …