基于自注意力多对抗网络的序列推荐
信息检索
2020-05-22 v1 机器学习
摘要
近年来，深度学习在序列推荐任务中取得了显著进展。现有的神经序列推荐器通常采用以最大似然估计（MLE）训练的生成式方法。当涉及上下文信息（称为因子）时，难以分析各个因子在何时以及如何影响最终推荐性能。为此，我们采取新视角并将对抗学习引入序列推荐。本文提出一种多因子生成对抗网络（MFGAN），用于显式建模上下文信息对序列推荐的影响。具体而言，我们提出的MFGAN具有两类模块：基于Transformer的生成器，以用户行为序列为输入推荐可能的下一项；以及多个因子专用判别器，从不同因子角度评估生成的子序列。为学习参数，我们采用经典策略梯度方法，并利用判别器的奖励信号引导生成器学习。我们的框架可灵活融入多种因子信息，并能够追踪各因子随时间对推荐决策的贡献。在三个真实数据集上的大量实验证明了所提模型在有效性与可解释性方面优于最先进方法。
引用
@article{arxiv.2005.10602,
title = {Sequential Recommendation with Self-Attentive Multi-Adversarial Network},
author = {Ruiyang Ren and Zhaoyang Liu and Yaliang Li and Wayne Xin Zhao and Hui Wang and Bolin Ding and Ji-Rong Wen},
journal= {arXiv preprint arXiv:2005.10602},
year = {2020}
}