协同过滤因其优秀的推荐性能而广泛用于各种推荐系统。协同过滤方法通常将用户反馈作为监督信号训练推荐模型,其推荐性能依赖于高质量的用户反馈。然而,用户反馈通常是充满噪音的,噪音反馈会干扰模型学习,降低推荐性能。鲁棒性协同过滤旨在从噪音用户反馈中准确捕捉用户真实偏好,仍面临个性化噪音、多模态的用户偏好以及稀疏反馈等挑战。本文总结鲁棒性推荐的现有研究,并在真实数据集上进行实验,进而对鲁棒性推荐进行展望。
科研之友
微信
新浪微博
Facebook
分享链接
