基于用戶特定空間的對抗推薦模型
網絡安全與數據治理
于曉明，周淦，劉志春
（1. 華北計算機系統工程研究所，北京100083；2. 63850部隊，吉林白城137000）
摘要： 自編碼器和生成對抗網絡作為強大的模型已經被應用到推薦系統領域，能補充用戶項目之間的交互信息。但這種模式的訓練下，大量的輔助信息被浪費，比如用戶特定信息。結合自編碼器、生成對抗網絡和輔助信息，提出了基于用戶特定空間的對抗推薦模型。為建立輔助信息和交互信息的聯系，將自編碼器的隱空間替換為用戶特定空間，交互信息和用戶特定信息的點對點映射又限制了模型的表達，因此，在用戶特定空間加入對抗訓練增加模型的性能。在兩個公開電影數據集的充分實驗證明了提出模型的有效性和優越性。
中圖分類號：TP391
文獻標識碼：A
DOI:10.19358/j.issn.2097-1788.2023.03.012
引用格式：于曉明，周淦，劉志春.基于用戶特定空間的對抗推薦模型［J］.網絡安全與數據治理，2023,42(3):74-79.
文獻標識碼：A
DOI:10.19358/j.issn.2097-1788.2023.03.012
引用格式：于曉明，周淦，劉志春.基于用戶特定空間的對抗推薦模型［J］.網絡安全與數據治理，2023,42(3):74-79.
Adversarial recommendation model based on user-specific space
Yu Xiaoming1，Zhou Gan 1，Liu Zhichun 2
(1National Computer System Engineering Research Institute of China, Beijing 100083, China; 2 63850 Troop, Baicheng 137000, China)
Abstract： Autoencoder and generative adversarial networks, as powerful models, have been applied to the field of recommendation systems to supplement the interactive information between users and items However, under this mode of training, a large amount of auxiliary information is wasted, such as userspecific information This paper combines autoencoder, generative adversarial networks, and auxiliary information to propose an adversarial recommendation model based on userspecific space (USSGAN). In order to establish the connection between auxiliary information and interactive information, the hidden space of the autoencoder is replaced by the userspecific space The pointtopoint mapping of interactive information and userspecific information limits the representation of the model Therefore, the adversarial training is added to the userspecific space to improve the performance of the modelExtensive experiments on two public movie datasets demonstrate the effectiveness and superiority of the proposed model
Key words : generative adversarial networks; userspecific space; autoencoder; recommendation systems
0 引言
信息技術的高速發展帶來了互聯網的信息爆炸，許多資源得不到有效的利用，人們在短時間內提取有效信息十分困難。推薦技術的出現幫助人們解決信息過載現象，推薦系統就是關注歷史信息中用戶感興趣的方面，在未來推薦給用戶相關的項目。最初，機器學習在推薦系統的應用基本滿足了人們的需求，隨著深度學習的引入，推薦系統的性能得到了進一步的提升。
AutoRec將自編碼器與協同過濾結合，補充用戶項目交互信息的缺失值，解決數據稀疏的問題。但自編碼器的隱空間維度是由超參數控制的，這就導致研究者不能明確網絡從數據中學到的信息，因此推薦性能不高。生成對抗網絡（Generative Adversarial Networks, GAN）作為深度學習的一種方法，由生成器和判別器組成，兩者的對抗訓練幫助生成器生成有用的數據。GAN被廣泛應用在圖像、文本、語音各個領域。研究者也將GAN應用在推薦系統中，CFGAN將協同過濾與GAN結合，從對抗訓練中補充用戶項目交互信息的缺失值，這種方式帶來了性能的極大提升，但模型也僅依靠用戶項目之間的交互信息完成推薦任務，用戶信息和項目信息均沒有得到有效利用。
本文詳細內容請下載：http://m.xxav2194.com/resource/share/2000005259
作者信息：
于曉明1，周淦1，劉志春2
（1.華北計算機系統工程研究所，北京100083；2.63850部隊，吉林白城137000）
此內容為AET網站原創，未經授權禁止轉載。