基于GAN的矩阵分解推荐系统方法
信息检索
2022-01-21 v1 机器学习
摘要
生成对抗网络（GAN）于2014年提出，引发了人们对生成建模的新兴趣。它们立即在图像合成、图像到图像翻译、文本到图像生成、图像修复中达到了最先进水平，并已应用于从医学到高能粒子物理的科学领域。尽管 GAN 很流行且能够学习任意分布，但尚未在推荐系统（RS）中得到广泛应用。此外，在 RS 中引入 GAN 的技术中，只有少数将其直接用作协同过滤（CF）模型。在这项工作中，我们提出了一种新的基于 GAN 的方法，在矩阵分解设定下为通用 top-N 推荐问题学习用户和物品的潜在因子。遵循 CFGAN 引入的面向 RS 的向量级 GAN 训练方法，我们识别出将 GAN 用于 CF 时的两个独特问题。我们通过使用自编码器作为判别器并为生成器加入额外的损失函数，对这两个问题均提出了解决方案。我们通过 RS 领域中知名的数据集评估我们的模型 GANMF，并显示出相对于传统 CF 方法和基于 GAN 的模型的改进。通过对 GANMF 各组成部分的消融研究，我们旨在理解我们架构选择的影响。最后，我们对 GANMF 的矩阵分解性能提供了定性评估。
引用
@article{arxiv.2201.08042,
title = {GAN-based Matrix Factorization for Recommender Systems},
author = {Ervin Dervishaj and Paolo Cremonesi},
journal= {arXiv preprint arXiv:2201.08042},
year = {2022}
}
备注
Accepted at the 37th ACM/SIGAPP Symposium on Applied Computing (SAC '22)