对抗性社交推荐

发表于2019年IJCAI

《Deep Adversarial Social Recommendation》论文阅读笔记

1. 背景：
   社交网络能改善推荐的性能，社交信息通过置信传播获得。
   
2. 已有方法：
   将用户-项目交互和用户-用户关系统一成用户特征表示。
3. 存在问题：
   （1）以用户作为两个域连接的桥梁，但用户的行为和交互在两个域中是不同的，因此在两个域中得到的特征是异构的；
   （2）采用负采样技术优化用户，项目特征，是无效的（原因：在训练阶段，许多负用户-项目样本仍在真实用户-项目样本中，但在后期优化中，负采样无法提供“困难”且信息丰富的样本，以进一步改进用户和项目特征）。因此，在整个训练过程中需要动态生成样本。
4. 本文：
   （1） 采用双向映射，在两个域中循环信息，增强用户特征表示；
   （2） 提出了一个深度对抗社交推荐系统DASO，利用对抗学习动态生成负样本，学习两个域之间的双向映射，最终优化用户和项目特征。