VAEGAN: A Collaborative Filtering Framework based on Adversarial Variational Autoencoders
Xianwen Yu, Xiaoning Zhang, Yang Cao, Min Xia
Peking University, SenseTime
IJCAI 2019
https://www.ijcai.org/proceedings/2019/0584.pdf
变分自编码在协同过滤中可以用于隐式反馈。然而,模型的效果主要依赖于推理模型的表达能力,并且隐含表示通常受限于表达能力而不能捕获真实的后验分布。
这篇文章提出一种新的框架,VAEGAN,该框架能够解决上述问题。在VAEGAN中,可以利用对抗变分贝叶斯(AVB)来训练变分自编码,其中推理模型可以具有任意的表达能力。利用GANs来获取隐式变分推理,推理模型能够更好地近似后验分布和极大似然。而且通过引入辅助判别网络利用对抗训练可以在推荐系统中得到高准确率。
另外,将压缩损失加入到传统的重构误差函数中,作为一种惩罚项,可以得到鲁棒特征,提升模型的泛化性能。
在多个真实数据集上的实验表明,本文提出的VAEGAN显著优于SOTA基准模型。
CDAE(Collaborative Denoising Autoencoders), VAE( Variational Autoencoders), AVB(Adversarial Variational Bayes)结构对比如下
本文所提模型结构图示如下
本文的主要贡献如下
问题描述及符号表示如下
AVE基础及表示如下