隐含的反馈,用于培训推荐系统,由于点击错误和位置偏差等因素,不可避免地面对噪音。 以前的研究试图通过它们不同的数据模式(如更高的损失值)来识别嘈杂的样本,并通过样本下降或重新加权来减轻它们的影响。 然而,我们观察到嘈杂的样品和硬样品表现出类似的模式,导致硬噪音的混乱问题。 这种混淆是有问题的,因为硬样本对于用户偏好的建模至关重要。 为了解决这个问题,我们提出了LLMHNI框架,利用大型语言模型(LLM)产生的两个辅助用户项目相关性信号来区分硬和嘈杂的样本。 LLMHNI从LLM编码的嵌入中获得用户项语义相关性,该嵌入用于负采样以选择硬否定,同时过滤出嘈杂的假否定。 提出了客观的对齐策略,将LLM编码的嵌入(最初用于一般语言任务)投射到针对用户-项目相关性建模优化的表示空间中。 LLMHNI 还利用用户-项目交互中 LLM 推断的逻辑相关性来识别硬和嘈杂的样本。 这些LLM推断的相互作用被集成到交互图中,并通过交叉图对比对齐引导去噪。 为了消除由LLM幻觉引起的不可靠相互作用的影响,我们提出了一个图形对比学习策略,该策略将随机边缘视图的表示对齐以抑制不可靠的边缘。 经验性结果表明,LLMHNI显著提高了去噪和推荐性能。