ANCHOR: Agentic Noise Creation Framework for Human Simulation and Denoising Recommendation
ANCHOR：驱动噪声生成与监督式推荐去噪的多智能体框架
🧭 推荐去噪 · Agentic 噪声生成 · 监督学习范式 ★ 深度解读
Xidian University · Shanghai Fairyland Software Co.,Ltd.
将推荐去噪从无监督启发式问题重构为主动创造噪声标签并训练识别器的监督学习范式
📌 工作参考价值（4 点）
- 用LLM Agent模拟噪声生成标签进行监督去噪：在电商推荐中，点击、加购等隐式反馈经常混杂误点、从众、标题党等噪声，可以借鉴ANCHOR思路，用LLM模拟用户在这些非偏好场景下的行为，生成带标签的噪声数据，然后训练一个二分类器（如MLP）来识别真实数据中的噪声，提升训练数据质量。
- 边界邻近噪声生成机制可作为难分负样本挖掘方案：论文提出的对抗式迭代精炼（creator生成难分样本，recognizer反馈）可复用到电商推荐中的困难负样本生成，用于提升模型对易混淆商品的辨别能力，类似GAN但无需训练LLM参数，通过prompt和记忆即可驱动。
- 语义+协同信号融合的识别器设计：ANCHOR的去噪识别器同时使用协同ID嵌入和文本语义嵌入，这启示我们在设计去噪或内容理解模块时，不应只依赖行为序列，而要利用商品标题、描述等多模态特征，提升对隐蔽噪声的识别能力。
- 可重用去噪模块降低推理成本：训练好的识别器可离线应用，无需每次请求都调用LLM，这在工程上可行，适合在线serving前对训练数据进行清洗，提升模型鲁棒性。