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
Adversarial Collaborative Neural Network for Robust Recommendation翻译
最新推荐文章于 2022-04-11 19:50:59 发布
![](https://img-home.csdnimg.cn/images/20240711042549.png)