基于级联引导对抗训练实现更稳健准确的序列推荐
信息检索
2024-01-17 v2 机器学习
摘要
序列推荐模型是从时序用户-物品交互中学习的模型，在许多场景下优于传统推荐模型。尽管序列推荐模型取得了成功，其稳健性近来受到质疑。序列推荐模型本质所特有的两个性质可能损害其稳健性——训练期间诱导的级联效应，以及模型过度依赖时间信息的倾向。为解决这些脆弱性，我们提出级联引导对抗训练（Cascade-guided Adversarial training），一种专为序列推荐模型设计的新型对抗训练过程。我们的方法利用序列建模中固有的级联效应，在训练期间对物品嵌入产生策略性对抗扰动。在四个来自不同领域的公开数据集上训练最先进序列模型的实验表明，与标准模型训练和通用对抗训练相比，我们的训练方法在模型排序准确性和对真实物品替换扰动的模型稳健性方面均更优。
引用
@article{arxiv.2304.05492,
title = {Towards More Robust and Accurate Sequential Recommendation with Cascade-guided Adversarial Training},
author = {Juntao Tan and Shelby Heinecke and Zhiwei Liu and Yongjun Chen and Yongfeng Zhang and Huan Wang},
journal= {arXiv preprint arXiv:2304.05492},
year = {2024}
}
备注
Accepted to present at SIAM International Conference on Data Mining (SDM24)