推荐系统遇上深度学习(三十八)--CFGAN:一种基于GAN的协同过滤推荐框架

本文论文题目：《CFGAN: A Generic Collaborative Filtering Framework based on Generative Adversarial Networks》
本文论文下载地址：https://dl.acm.org/citation.cfm?doid=3269206.3271743

1、背景

使用GAN来进行推荐，之前已经有过IRGAN和GraphGAN的方法。

关于IRGAN，可以参考文章：https://www.jianshu.com/p/d151b52e57f9

对于GraphGAN，论文本身针对于链接预测问题，可以扩展到推荐系统中，其最主要的贡献在于将图表示成宽度优先的树，并提出了graph softmax的方法，感兴趣的同学可以阅读下原文：https://arxiv.org/abs/1711.08267

但是这两种方法都存在discrete item index generation的问题。我们首先来解释一下，什么是discrete item index generation。

discrete item index generation
对于IRGAN和GraphGAN来说，生成器G是基于概率，生成一个单独的项目ID或者ID列表，并通过强化学习中策略梯度的方式进行训练。在判别器的“指导”下，随着训练的进行，生成器G将生成与真实情况完全相同的项目ID。但是，这对判别器来说并不友好，同一个物品，它有可能既被标记为真实数据（real），又被标记为生成数据（fake），如下图的i₃:

这样如果将其送进判别器进行判别，判别器将会产生困惑，使得判别器性能下降，之后在策略梯度迭代的过程中，判别器将向生成器提供错误的信号，自己的性能也开始降低。下面的实验结果展示了这一点：