基于生成对抗网络的推荐系统：问题驱动的视角

推荐系统（RSs）如今在人们的网络生活中扮演着非常重要的角色，它们作为个性化过滤器，帮助用户从众多选项中找到相关项目。由于其有效性，推荐系统已被广泛应用于面向消费者的电子商务平台。然而，尽管取得了经验上的成功，这些系统仍受限于两个缺陷：数据噪声和数据稀疏性。近年来，生成对抗网络（GANs）因其在学习复杂真实数据分布方面的强大能力，在许多领域引起了越来越多的关注；大量研究也表明其能够通过应对这些系统所表现出的挑战来增强推荐系统。总体而言，已有两条研究路线，其共同思想可概括如下：（1）对于数据噪声问题，对抗扰动和基于对抗采样的训练常作为一种解决方案；（2）对于数据稀疏性问题，通过在极小极大框架下捕捉真实数据分布来实现的数据增强是主要的应对策略。为了全面理解这些研究工作，我们回顾了相应的研究与模型，并从问题驱动的视角对其进行组织。更具体地，我们提出了这些模型的分类法，以及它们的详细描述和优势。最后，我们阐述了基于 GAN 的推荐系统中的若干开放问题和当前趋势。