快速读文章-Adversarial Training Towards Robust Multimedia Recommender System

摘要:

随着网络上多媒体内容的普及，迫切需要开发能够有效利用多媒体数据中丰富信号的推荐解决方案。由于深度神经网络在表征学习中的成功，多媒体推荐的最新进展主要集中在探索深度学习方法以提高推荐精度上。然而，迄今为止，很少有人研究多媒体表示的健壮性及其对多媒体推荐性能的影响。本文对多媒体推荐系统的鲁棒性进行了研究。通过使用最先进的推荐框架和深度图像特征，我们证明了整个系统的鲁棒性不强，因此，对输入图像进行小的（但有目的的）扰动将严重降低推荐精度。这意味着多媒体推荐系统在预测用户偏好方面可能存在弱点，更重要的是，通过增强其鲁棒性来改进的潜力。为此，我们提出了一种新的解决方案，称为对抗式多媒体推荐（AMR），它可以通过使用对抗式学习产生一个更健壮的多媒体推荐模型。这样做的目的是训练模型来防御敌人，这会给目标图像增加扰动，从而降低模型的精度。我们在两个具有代表性的多媒体推荐任务上进行了实验，即图像推荐和视觉感知产品推荐。大量的结果验证了对抗性学习的积极效果，并证明了我们的AMR方法的有效性。源代码可以在https://github.com/duxy-me/AMR.

总结:

在这项工作中，我们首先展示了VBPR，一种最先进的图像感知推荐方法，容易受到图像上敌对干扰的影响。证据是，通过在人类无法察觉的极小扰动下改变图像，我们观察到推荐准确度显著下降。为了解决基于DNN的多媒体推荐系统鲁棒性不足的问题，我们提出了一种新的推荐解决方案AMR。AMR通过同时训练模型和目标扰动攻击模型的对手，获得更好的参数，这不仅使模型更鲁棒，而且更有效。在两个真实数据集上的大量结果证明了对抗性学习的实用性和我们方法的优势。

本质上，AMR是一种通用解决方案，不限于

本文探讨的模型，但可以作为改进任何基于内容的推荐模型的总体蓝图。未来，我们计划将AMR方法扩展到更多的模型，例如基于注意力的神经推荐模型[16]，这可能比LFM更有效。此外，我们将为mul-timedia推荐引入更多上下文，例如时间、位置和用户个性。最后，我们感兴趣的是通过将对话代理的最新进展与推荐技术相结合来构建交互式推荐系统。