面向鲁棒多媒体推荐系统的对抗训练

随着多媒体内容在 Web 上的普及，开发能够有效利用多媒体数据中丰富信号的推荐解决方案迫在眉睫。得益于深度神经网络在表示学习上的成功，近期多媒体推荐方面的进展主要集中于探索深度学习方法以提升推荐准确率。然而，迄今为止，鲜有研究考察多媒体表示的鲁棒性及其对多媒体推荐性能的影响。本文关注多媒体推荐系统的鲁棒性。利用最先进的推荐框架与深度图像特征，我们证明了整体系统并不鲁棒，使得输入图像上微小（但有目的的）扰动会严重降低推荐准确率。这意味着多媒体推荐系统在预测用户偏好方面可能存在弱点，更重要的是，通过增强其鲁棒性存在改进潜力。为此，我们提出一种名为对抗多媒体推荐（Adversarial Multimedia Recommendation, AMR）的新方案，其通过对抗学习可得到更鲁棒的多媒体推荐模型。其思想是训练模型以防御一个向目标图像添加扰动、旨在降低模型准确率的对手。我们在两个代表性的多媒体推荐任务上进行了实验，即图像推荐与视觉感知的商品推荐。大量结果验证了对抗学习的积极作用，并证明了我们 AMR 方法的有效性。源代码见 https://github.com/duxy-me/AMR。