Adversarial Personalized Ranking for Recommendation(个人笔记)

上周总结了一篇关于CPR_loss的文章，指导老师提出CPR_loss在采集正负样本标的标准和生成对抗学习方面有一些相似处，所以这周我就找到这一篇文章并加以总结。有趣的是，这一篇文章也是何向南老师组于2018年发表于SIGIR，下文我们简称为APR。

论文链接：https://arxiv.org/abs/1808.03908

代码链接：hexiangnan/adversarial_personalized_ranking（Tensorflow版）
                  https://github.com/nuonuoxiaopangdian/APR-PyTorch （Pytorch版）

问题：用 BPR 对广泛使用的 MF 模型进行优化会产生一个不健壮的推荐模型，尤其是模型非常容易有道模型参数的对抗扰动的影响。

贡献：提出了一种新的优化框架，即为APR。APR 通过进行对抗性训练来增强 BPR ，来提高模型的鲁棒性。

---

1. 准备工作

1.1.Matrix Factorization（矩阵分解）

MF 的核心思想就是将 user 和 item 分别表示成 embedding 向量， 通过 user 和 item 的内积当做 user 对 item 的喜好程度，其公式为：

1.2.Bayesian Personalized Ranking（贝叶斯个性化排名）

BPR模型的目标函数如下定义，（u，i，j）三元组作为一个样本，i 为正样本，j 为负样本，模型优化尽量希望（u，i）的打分