我们将负面用户反馈引入了序列推荐器的训练目标中，在检索阶段使用一种 “不推荐” 的损失函数来优化不推荐带有负面反馈的项目的对数似然。我们通过在大规模工业推荐系统上进行实时实验来证明了这种方法的有效性。此外，我们通过开发一个对照模拟框架来衡量推荐器对负面反馈的响应能力，展示了建模变化带来的响应能力改进。

Aug, 2023

为了改善用户体验，推荐系统需要不断扩展和提升模型，但这会带来更多的计算负担。本文提出了个性化的负样本储备策略，平衡了遗忘与可塑性，有效地处理增量学习问题。通过在三个常用的增量推荐模型中整合我们的设计，我们实现了在标准基准测试中的最新成果。

Mar, 2024

提出了一种使用三阶张量分解技术进行在线协同过滤的方法，该方法可通过处理用户反馈作为分类变量建模，并对评价指标进行调整，消除负面反馈的影响，从而提供优质推荐，实现一开始即可个性化推荐。与标准的协同过滤不同，该方法同样精确预测相关物品，即使仅获得负面反馈。同时，在无正反馈情况下，该方法的性能显著优于其他方法，达到了最先进的质量水平。

Jul, 2016

使用基于 transformer 的自注意力架构来学习顺序音乐推荐中的隐式会话级信息，同时提出一项对比学习任务来纳入负面反馈，以促进正面命中和惩罚负面命中，并通过实验证明这种方法相比忽略负面用户反馈的基准架构具有一致的性能提升。

Sep, 2023

本研究采用对比学习 (contrastive learning) 模型并结合三种不同的训练策略来分析用户对负向偏好在音乐口味中的作用，证实了将负向偏好纳入音乐推荐系统的可行性，并且实验证明了负向偏好训练策略对于提高音乐推荐准确度和减少误报率的有效性。

Jul, 2022

本文提出了 Generate Negative Samples (items) for SR (GenNi) 方法，使用当前 SR 模型中已学习的用户偏好在每个时间步骤采样负面项目，以提供高质量的负面样本，验证了其在四个公共数据集上的有效性和效率。

Aug, 2022

研究了匿名用户的新闻推荐问题，提出了一种基于正负反馈的用户行为建模框架，综合考虑用户和文章的观看时间等不同反馈信息，以实现更精确、多样化和出乎意料的推荐效果。

May, 2022

文章提出了一种利用强化学习学习交互过程中优化策略的推荐系统，通过深度学习框架将正反馈同时整合到系统中进行优化，证明了该方法可以提高推荐精度。

Feb, 2018

研究探讨了去噪隐式反馈机制对于推荐系统训练的影响和重要性，提出了一种自适应去噪训练策略（ADT），通过在训练过程中适当地剪枝噪声交互以提高推荐系统的训练质量。实验结果表明，ADT 显著改善了推荐质量。

Jun, 2020

描述了一种新的推荐算法，该算法明确地建模了负面用户偏好，以便在推荐列表的顶部推荐更多积极的物品，从而提高准确性并减少负面物品的数量。

Dec, 2018