基于对抗性学习的协同过滤推荐算法

作     者：詹皖江 洪植林 方路平 吴哲夫 吕跃华 ZHAN Wan-jiang;HONG Zhi-lin;FANG Lu-ping;WU Zhe-fu;LYU Yue-hua

作者机构：浙江工业大学信息学院杭州310023 浙江省科技信息研究院杭州310006 

基　　金：浙江省自然科学基金(LY18F010025) 

出 版 物：《计算机科学》 (Computer Science)

年 卷 期：2021年第48卷第7期

页      码：172-177页

摘      要：推荐系统能够根据用户的兴趣特点和购买行为,向用户推荐感兴趣的信息和商品。随着用户生成内容UGC逐渐成为当前Web应用的主流,基于UGC的推荐也得到了广泛关注。区别于传统推荐中用户与物品的二元交互,有的UGC推荐采用协同过滤方法,提出了消费者、物品和生产者的三元交互,进而提高了推荐准确度,但大多算法都集中在推荐的性能而忽略了对鲁棒性的研究。因此,通过结合对抗性学习和协同过滤的思想,提出了一种基于对抗性学习的协同过滤推荐算法。首先在三元关系模型参数上加入对抗性扰动,使模型的性能降至最差,与此同时使用对抗性学习的方法训练模型,以达到提高推荐模型鲁棒性的目的;其次设计了一种高效的算法用于求解模型所需的参数;最后在Reddit和Pinterest两个公共数据集上进行测试。实验结果表明:1)在相同参数设置下,与现有算法相比,所提方法的AUC,Precision和Recall指标均有明显的提高,验证了其可行性与有效性;2)该算法不仅增强了推荐性能,还提高了模型的鲁棒性。

主 题 词：推荐系统 UGC 矩阵分解 对抗性学习 协同过滤 

学科分类：08[工学] 081202[081202] 0812[工学-测绘类] 

D　O　I：10.11896/jsjkx.200600077

馆 藏 号：203103852...