面向鲁棒推荐的双重对抗变分嵌入
信息检索
2021-07-01 v1
摘要
鲁棒推荐旨在从含噪数据中捕捉用户的真实偏好，对此已有两类方法被提出。一类基于噪声注入，另一类采用生成模型变分自编码器（VAE）。然而，现有工作仍面临两个挑战。首先，基于噪声注入的方法通常从预先给定的固定噪声分布中采样噪声，而在真实世界中，由于个人行为与物品使用模式的不同，不同用户和物品的噪声分布可能彼此相异。其次，基于VAE的模型表达能力不足以捕捉真实偏好，因为VAE往往产生单模态的嵌入空间，而在真实世界中，用户-物品交互在用户偏好分布上通常呈现多模态。本文提出一种称为双重对抗变分嵌入（DAVE）的新模型用于鲁棒推荐，该模型通过结合VAE与所引入的辅助判别器同变分推断网络之间的对抗训练的优势，能够为不同用户和物品提供个性化降噪，并捕捉嵌入空间的多模态。在真实数据集上开展的广泛实验验证了DAVE在鲁棒推荐上的有效性。
引用
@article{arxiv.2106.15779,
title = {Dual Adversarial Variational Embedding for Robust Recommendation},
author = {Qiaomin Yi and Ning Yang and Philip S. Yu},
journal= {arXiv preprint arXiv:2106.15779},
year = {2021}
}