快手研究团队提出DIF方法：为冷启动推荐系统去噪隐式反馈

在推荐系统中，隐式反馈（如点击、浏览）因易获取和普适性而被广泛使用，但其常包含噪声样本，例如点击诱饵或位置偏差。与此同时，新物品的持续流入使系统不可避免地面临物品冷启动问题。研究发现，冷启动物品因缺乏历史交互数据，更容易受到噪声样本的影响，而现有研究往往忽视了对冷物品隐式反馈的去噪重要性。

传统去噪方法通常基于启发式模式（如高损失值）识别噪声样本，并通过样本选择或重加权来缓解噪声，但这些方法适应性有限，在冷启动场景中效果不佳。为解决这一问题，研究团队提出了一种模型无关的去噪方法DIF。该方法基于用户对内容的偏好相对稳定的假设，通过内容相似的热物品推断用户对冷物品的兴趣伪标签。为提高伪标签准确性，DIF根据冷物品与热物品的内容相似性建模伪标签置信度，并对每个样本聚合多个伪标签。最后，通过考虑样本的相对熵和物品的冷启动状态，显式估计噪声样本标签的不确定性，从而在样本层面自适应地利用伪标签修正噪声标签。

理论证明和真实数据集上的大量实验均验证了DIF的优越性。该方法已在亿级用户的短视频平台快手部署，并在冷启动场景中显著提升了多项商业指标。研究成果为推荐系统在动态物品库环境下的噪声处理提供了新思路。