基于用户特定空间的对抗推荐模型
网络安全与数据治理
于晓明,周淦,刘志春
(1. 华北计算机系统工程研究所,北京100083;2. 63850部队,吉林白城137000)
摘要:自编码器和生成对抗网络作为强大的模型已经被应用到推荐系统领域,能补充用户项目之间的交互信息。但这种模式的训练下,大量的辅助信息被浪费,比如用户特定信息。结合自编码器、生成对抗网络和辅助信息,提出了基于用户特定空间的对抗推荐模型。为建立辅助信息和交互信息的联系,将自编码器的隐空间替换为用户特定空间,交互信息和用户特定信息的点对点映射又限制了模型的表达,因此,在用户特定空间加入对抗训练增加模型的性能。在两个公开电影数据集的充分实验证明了提出模型的有效性和优越性。
中图分类号:TP391
文献标识码:A
DOI:10.19358/j.issn.2097-1788.2023.03.012
引用格式:于晓明,周淦,刘志春.基于用户特定空间的对抗推荐模型[J].网络安全与数据治理,2023,42(3):74-79.
文献标识码:A
DOI:10.19358/j.issn.2097-1788.2023.03.012
引用格式:于晓明,周淦,刘志春.基于用户特定空间的对抗推荐模型[J].网络安全与数据治理,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
信息技术的高速发展带来了互联网的信息爆炸,许多资源得不到有效的利用,人们在短时间内提取有效信息十分困难。推荐技术的出现帮助人们解决信息过载现象,推荐系统就是关注历史信息中用户感兴趣的方面,在未来推荐给用户相关的项目。最初,机器学习在推荐系统的应用基本满足了人们的需求,随着深度学习的引入,推荐系统的性能得到了进一步的提升。
AutoRec将自编码器与协同过滤结合,补充用户项目交互信息的缺失值,解决数据稀疏的问题。但自编码器的隐空间维度是由超参数控制的,这就导致研究者不能明确网络从数据中学到的信息,因此推荐性能不高。生成对抗网络(Generative Adversarial Networks, GAN)作为深度学习的一种方法,由生成器和判别器组成,两者的对抗训练帮助生成器生成有用的数据。GAN被广泛应用在图像、文本、语音各个领域。研究者也将GAN应用在推荐系统中,CFGAN将协同过滤与GAN结合,从对抗训练中补充用户项目交互信息的缺失值,这种方式带来了性能的极大提升,但模型也仅依靠用户项目之间的交互信息完成推荐任务,用户信息和项目信息均没有得到有效利用。
本文详细内容请下载:https://www.chinaaet.com/resource/share/2000005259
作者信息:
于晓明1,周淦1,刘志春2
(1.华北计算机系统工程研究所,北京100083;2.63850部队,吉林白城137000)
此内容为AET网站原创,未经授权禁止转载。