双对抗扰动器为推荐生成丰富视图
信息检索
2024-09-12 v1 机器学习
摘要
图对抗学习(GCL)已被广泛研究并被运用于推荐系统。现有大多数GCL-based推荐方法通过改变图结构或引入嵌入扰动来生成对抗视图。虽然这些方法有效地增强了从稀疏数据中学习的能力，但当对抗视图之间的差异变得过于显著时，风险会导致性能下降甚至训练崩溃。为缓解此问题，我们采用课程学习来逐步增加对抗视图之间的差异，使模型能够从更具挑战性的场景中受益。在本文中，我们提出了一种双对抗图学习方法AvoGCL，通过逐步应用对抗训练来模拟课程学习。具体而言，AvoGCL通过减少图冗余和生成嵌入空间中的对抗扰动来构建对抗视图，并通过逐步增加对抗视图的难度来获得更好的结果。在三个真实世界数据集上的大量实验表明，AvoGCL显著优于最新的竞争方法。
引用
@article{arxiv.2409.06719,
title = {Dual Adversarial Perturbators Generate rich Views for Recommendation},
author = {Lijun Zhang and Yuan Yao and Haibo Ye},
journal= {arXiv preprint arXiv:2409.06719},
year = {2024}
}
备注
16 pages,6 figures and 5 tables