Adversarial Collaborative Neural Network for Robust Recommendation翻译

ABSTRACT

    大多数基于神经网络（NN）的推荐技术主要集中在提高整体性能，例如 hit ratio for top-N recommendation（前N推荐的命中率），用户的反馈是被视为事实。 在实际应用中，那些反馈可能受到不完善用户行为的污染，这对稳健推荐方法的设计提出了挑战。一些方法将人为噪声应用于输入数据更有效地训练网络（例如，the collaborative denoising auto-encoder（协作化自动编码器））。 但是，这种噪声是随机产生的。 在这项工作中，我们提出了一个一般的对抗性训练框架基于NN的推荐模型，改进了两种模型稳健性和整体性能。我们采用我们的方法在协同自动编码器模型上，并在三个公共数据集上，表明对抗训练和基于NN的模型的组合优于最具竞争力的最先进的推荐方法。

1 INTRODUCTION

    大多数现代推荐系统将用户的反馈视为的基本事实，这在现实生活中可能并非如此。 例如，给出显示评级分数的用户可能会被他的错误操作污染，导致在不可预测的自然噪音中，影响推荐质量。 在以前的工作中，一些方法管理过滤掉数据中的噪声反馈[1]。  另一些依靠算法/模型来处理这样的反馈，例如，添加额外的预测模型中的偏置项并破坏输入数据，使得模型被迫学习健壮的参数，已知作为去噪自动编码器（DAE）。 在最近的一项工作中，作者对基于MF的贝叶斯算法施加了对抗性噪音的个性化排名（MF-BPR）模型，导致一种方法称为对抗矩阵分解（AMF）,以改善
模型的稳健性。

    与上述工作不同，本文着重于利用深度神经网络结合对抗训练。由于采用了非线性变换，与AMF方法中那样，没有基本的性能限制。主要贡献如下：

• 我们基于NN提出了一种新颖的对抗性训练框架。并且我们为非线性模型优化设计了一个minimax游戏。经过深入调查，我们讨论了对抗性噪声对模型非线性的影响，采用我们的协同去噪自动编码器方法（CDAE）模型，基于此我们提出两种不同的