面向 Top-N 推荐的对抗协同自编码器
信息检索
2018-08-17 v1
摘要
在过去的十年中，基于模型的推荐方法从隐因子模型演进到基于神经网络的模型。这些技术大多侧重于改进整体性能，例如评分预测的均方根误差和 Top-N 推荐的命中率，其中用户的反馈被视为真值。然而，在真实应用中，用户反馈可能被不完美的用户行为（即粗心的偏好选择）所污染。这种数据污染对鲁棒推荐方法的设计提出了挑战。在本工作中，为解决上述问题，我们提出了一种用于基于神经网络的推荐模型的通用对抗训练框架，其同时提升了模型鲁棒性和整体性能。我们指出了性能与鲁棒性增强之间的权衡，并给出了如何取得平衡的详细说明。具体而言，我们在协同自编码器上实现了我们的方法，随后在三个公开数据集上进行了实验：MovieLens-1M、Ciao 和 FilmTrust。我们表明我们的方法优于极具竞争力的前沿推荐方法。此外，我们对噪声影响以及模型非线性和噪声水平之间的复杂交互进行了深入分析。通过简单修改，我们的对抗训练框架可应用于众多基于神经网络的模型，其鲁棒性和性能均有望得到提升。
引用
@article{arxiv.1808.05361,
title = {Adversarial Collaborative Auto-encoder for Top-N Recommendation},
author = {Feng Yuan and Lina Yao and Boualem Benatallah},
journal= {arXiv preprint arXiv:1808.05361},
year = {2018}
}