When Recommendation Denoising Meets Popularity Bias: Understanding and Mitigating Their Interaction
当推荐去噪遇上流行度偏差：理解与缓解其交互
🧭 去噪推荐 · 流行度偏差
Australian Artificial Intelligence Institute, University of Technology Sydney
损失去噪可能抑制长尾信号，提出流行度感知门控PAD，在多个基准上取得更优准确-多样性权衡。
📌 工作参考价值
- 在工业协同过滤中，若使用损失重加权去噪（如 RCE），可叠加流行度门控：对高曝光商品保持强去噪，对长尾商品减弱去噪，避免误删稀疏但真实的交互信号，公式简单、非侵入式。
- 评估去噪方法时，除 Recall/NDCG 外应关注 Coverage、Gini 等多样性指标，以发现去噪对头部偏差的放大效应。
- GMF/NeuMF 等 MF 类模型上 PAD 增益显著；LightGCN 等图模型可能通过邻居传播隐式平滑噪声，此时直接 ERM 可能已足够强，去噪需谨慎引入。
- PAD 的超参 α（去噪强度）和 η（流行度补偿强度）解耦良好：增大 η 可恢复长尾覆盖，对准确率影响不大，便于业务中灵活调整准确-多样性权衡。
动机 隐式反馈中存在大量假阳性噪声，去噪推荐常用“小损失启发式”（small‑loss criterion）——损失小的交互更可靠，高损失交互被降权或剔除。但长尾物品因交互稀疏、表示学习困难，其正样本损失常偏高，可能被错误抑制，导致有效监督向头部偏移，加剧流行度偏差。本文针对这一盲区，系统分析了损失去噪与流行度偏差的交互机制。
方法关键点
- 条件分析：定义有效头尾信号比 (B)，证明当尾部正样本损失分布相对于头部右移时，单调降权函数会使 (B) 增大，即头部信号占比升高，尾部信号被压制。
- Popularity‑Aware Denoising (PAD)：提出一个轻量插件框架，对基础去噪权重 (w) 进行流行度调制：(w_{\mathrm{PAD}} = (1-s_i) + s_i \cdot w)，其中 (s_i = (\mathrm{pop}(i)/\max_\mathrm{pop})^{\eta})。头部物品 (s_i!\approx!1) 保留原有去噪能力，尾部物品 (s_i!\approx!0) 则弱化去噪，避免压制清洁但难学的长尾信号。基础去噪器采用 RCE‑style 重加权 (w = \hat{y}^\alpha)。
- 验证时选用低损失验证样本集，以缓解分布偏移。
关键实验结果
- 数据集：MovieLens‑100k、Amazon‑Book、Yelp，均保留假阳性噪声。
- 模型：GMF、NeuMF、LightGCN，对比 ERM、RCE、TCE、DeCA、DCF、PLD、UDT 等去噪 baseline。
- 在 GMF 和 NeuMF 上 PAD 几乎全面最优，如 MovieLens 上 GMF‑PAD 的 NDCG@50 较最佳 baseline 提升 8.0%，Recall@50 提升 1.0%；Amazon‑Book 上 NeuMF‑PAD 的 Recall@50 提升 7.3%。多样性指标（Coverage、Gini‑Div）亦明显优于均匀去噪。
- LightGCN 上 ERM 有时更强，表明图传播已具备隐式去噪能力，PAD 仍优于其他去噪 baseline。
- 超参分析：α 控制去噪强度，η 控制流行度补偿，增大 η 可恢复覆盖度而轻微影响 NDCG。BPR 目标下 PAD 同样有效。
关键结论 去噪推荐应视流行度而调节：对头部强去噪，对尾部弱去噪，方可保留长尾真信号。