成对对抗学习推荐算法的研究

发布时间：2021-05-15 19:10

　　当今数据爆炸式增长导致信息过载日益严重。推荐系统是过滤信息并缓解信息过载的一种有效的解决方案,现已被各大网站广泛使用。推荐系统的任务是建模用户偏好并推荐感兴趣的物品。在用户与物品的反馈信息中,隐式反馈仅仅包含用户的历史行为信息,从中建模用户偏好更具挑战。在传统的推荐算法中,单值排序和成对排序都是按用户将物品划分为已观测物品和未观测物品,然后基于该划分建模用户偏好。在实际生活中,已观测物品可能包含用户不喜欢的物品,未观测物品中存在用户喜欢的物品。因此,隐式反馈信息的这些噪声会限制算法的性能。生成式对抗网络（Generative Adversarial Net,GAN）的提出为建模隐式反馈信息提供了另一种思路——对抗学习。但是,极大极小的博弈过程导致对抗模型训练不稳定且收敛缓慢。此外,标准GAN是为可微数据设计的,推荐系统中离散物品的采样使得对抗模型不能使用梯度下降优化。策略梯度是训练离散模型的常用方法,但梯度估计的高方差会增加对抗训练的不稳定。针对上述问题,本文提出一种基于成对对抗学习（Adversarial Pairwise Learning,APL）的推荐算法。APL包含生成器和判别... 

【文章来源】：郑州大学河南省 211工程院校

【文章页数】：58 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景及意义
    1.2 推荐系统研究现状及挑战
    1.3 本文工作概述
    1.4 本文组织结构
2 相关工作
    2.1 推荐系统
        2.1.1 反馈信息
        2.1.2 协同过滤
        2.1.3 排序学习
    2.2 对抗模型
        2.2.1 生成式对抗网络
        2.2.2 推荐系统中的对抗模型
3 基于成对对抗学习的推荐算法
    3.1 成对对抗学习框架
    3.2 成对损失函数
    3.3 基于矩阵分解的可微采样策略
    3.4 算法流程与复杂度分析
4 实验结果及分析
    4.1 实验设置
        4.1.1 数据集介绍
        4.1.2 对比算法
        4.1.3 推荐性能的评价指标
        4.1.4 参数选择
    4.2 收敛性与稳定性
    4.3 可微采样效果
    4.4 推荐性能对比
    4.5 一致性评估
    4.6 训练时间对比
5 总结与展望
参考文献
致谢
在学期间发表的学术论文及研究成果


【参考文献】：
期刊论文
[1]联合正则化的矩阵分解推荐算法[J]. 吴宾,娄铮铮,叶阳东.  软件学报. 2018(09)



本文编号：3188181