理解对抗个性化排序优化方法对推荐质量的影响
信息检索
2021-07-30 v1 人工智能
密码学与安全
机器学习
摘要
推荐系统（RS）利用用户-物品反馈（如评分）将客户匹配到个性化产品列表。top-k推荐方法主要依赖学习排序（Learning-To-Rank）算法，其中被广泛采用的是基于成对优化方法的贝叶斯个性化排序（BPR）。近来，BPR被发现易受其模型参数对抗扰动的攻击。对抗个性化排序（APR）通过对抗训练过程鲁棒化BPR以缓解此问题。APR在准确率上相对BPR的经验提升使其在多种推荐模型中广泛采用。然而，一个被忽视的关键方面是APR的准确率之外性能，即新颖性、覆盖率与流行度偏差放大，考虑到近期结果表明APR的构建模块BPR对偏差加剧与推荐新颖性降低十分敏感。本文中，我们建模BPR与APR优化框架的学习特性，从数学上证明当反馈数据具有长尾分布时，由于来自短头部物品的正数更新数量不平衡，APR比BPR更多地放大流行度偏差。利用矩阵分解（MF），我们通过在两个公开数据集上执行初步实验来实证验证理论结果，比较BPR-MF与APR-MF在准确率与准确率之外指标上的表现。实验结果一致显示新颖性与覆盖率度量的退化以及令人担忧的偏差放大。
引用
@article{arxiv.2107.13876,
title = {Understanding the Effects of Adversarial Personalized Ranking Optimization Method on Recommendation Quality},
author = {Vito Walter Anelli and Yashar Deldjoo and Tommaso Di Noia and Felice Antonio Merra},
journal= {arXiv preprint arXiv:2107.13876},
year = {2021}
}
备注
5 pages