在推荐系统中，模型学习的核心依据是用户--物品交互数据 。然而，这些交互并不总能真实反映用户的内在偏好，其中夹杂的大量干扰信号被称为 交互噪声（Interaction Noise）。如果不加处理，交互噪声会显著降低推荐效果，甚至放大系统偏差。
什么是交互噪声？
交互噪声 指在用户与物品的交互行为中，不能真实、准确反映用户真实兴趣或偏好的行为信号 。
它会导致观测到的交互数据与用户真实意图之间存在偏差，使模型难以学习到可靠的偏好表示。
交互噪声既存在于显式反馈 中，也广泛存在于隐式反馈中。
交互噪声的主要类型
1. 显式反馈中的噪声
用户主动给出的评价本身并不一定真实可信，例如：
- 随意评分：未完整体验内容便打分
- 社交压力：因他人推荐或舆论趋势而高分
- 报复性差评：将非内容因素（物流、界面问题）计入评分
- 评分习惯偏差：习惯性高分或低分，缺乏区分度
👉 显式反馈"看似可靠"，但主观因素强、噪声并不少。
2. 隐式反馈中的噪声
隐式行为更丰富，但噪声问题更严重：
- 误点击 / 广告点击
- 探索性行为：尝试但并不喜欢
- 被动曝光：因平台强推荐而产生的交互
- 习惯性行为：登录、签到但无真实兴趣
- 外部因素干扰：限时免费、网络卡顿等
👉 "发生过交互 ≠ 用户喜欢"。
交互噪声对推荐系统的影响
-
污染训练数据
模型可能学习到错误或偶然规律。
-
误导个性化推荐
推荐基于噪声的内容，降低用户满意度。
-
放大系统偏差
噪声与流行度偏差叠加，进一步压制长尾物品。
-
影响评估可信度
含噪测试集会导致 AUC、NDCG 等指标失真。
常见的交互噪声处理思路
- 鲁棒建模 / 去噪算法
如 L1 损失、噪声感知推荐模型 - 交互权重建模
为高置信度行为（长时观看、复购）赋予更高权重 - 因果推断方法
区分"被曝光"与"真正偏好" - 多行为信号融合
结合点击、停留时长、收藏、分享等 - 交互设计优化
从源头减少噪声（更细粒度反馈、确认机制）
小结
交互噪声是推荐系统中不可避免但必须正视的问题 。
理解噪声、建模噪声、缓解噪声，是提升推荐鲁棒性、公平性与长尾表现的关键一步。
推荐系统学到的，不应只是"发生过什么"，而应尽可能接近"用户真正想要什么"。