采样可分解生成对抗推荐器
信息检索
2020-11-03 v1 人工智能
摘要
推荐技术是用于缓解信息过载的重要方法。许多推荐器在隐式用户反馈上训练,由于缺乏显式负样本而面临稀疏性挑战。GAN 风格的推荐器(即 IRGAN)通过对抗式地学习生成器和判别器来应对该挑战,使得生成器产生对判别器而言越来越困难的样本,以加速优化判别目标。然而,从生成器产生样本非常耗时,且我们的实证研究表明判别器在 top-k 物品推荐中表现不佳。为此,我们对 GAN 风格算法进行了理论分析,表明容量受限的生成器偏离了最优生成器。这或许可以解释判别器性能的局限性。基于这些发现,我们提出了采样可分解生成对抗推荐器(Sampling-Decomposable Generative Adversarial Recommender, SD-GAR)。在该框架中,某生成器与最优生成器之间的散度由自归一化重要性采样补偿;采样可分解生成器提升了样本生成效率,使得每个样本可利用 Vose-Alias 方法在 O(1) 内生成。有趣的是,由于采样的可分解性,生成器可以以交替方式用闭式解优化,不同于 GAN 风格算法中的策略梯度。我们利用五个真实世界推荐数据集对提出的算法进行了广泛评估。结果表明,SD-GAR 平均优于 IRGAN 12.4%,优于 SOTA 推荐器 10%。此外,在含有超过 120K 个物品的数据集上,判别器训练可快 20 倍。
引用
@article{arxiv.2011.00956,
title = {Sampling-Decomposable Generative Adversarial Recommender},
author = {Binbin Jin and Defu Lian and Zheng Liu and Qi Liu and Jianhui Ma and Xing Xie and Enhong Chen},
journal= {arXiv preprint arXiv:2011.00956},
year = {2020}
}
备注
Thirty-fourth Conference on Neural Information Processing Systems (NeurIPS2020)