面向推荐的对抗式个性化排序

物品推荐是一项个性化排序任务。为此，许多推荐系统采用成对排序目标优化模型，例如贝叶斯个性化排序(BPR)。以推荐中应用最广泛的模型——矩阵分解(MF)——为例，我们表明用BPR优化它会导致一个不鲁棒的推荐模型。特别地，我们发现所得模型对其模型参数上的对抗扰动高度脆弱，这意味着泛化中可能存在较大误差。为增强推荐模型的鲁棒性从而改善其泛化性能，我们提出了一种新的优化框架，即对抗式个性化排序(APR)。简而言之，我们的APR通过对抗训练增强了成对排序方法BPR。它可解释为一个极小极大博弈，其中在最小化BPR目标函数的同时防御一个对手，该对手在模型参数上添加对抗扰动以最大化BPR目标函数。为说明其工作原理，我们在MF上通过给用户和物品的嵌入向量添加对抗扰动来实现APR。在三个公开真实世界数据集上的大量实验证明了APR的有效性——通过APR优化MF，其相对BPR平均提升11.2%，并达到了物品推荐的当前最优性能。我们的实现位于：https://github.com/hexiangnan/adversarial_personalized_ranking。