动机
本文是2022年SIGIR上的一篇论文。基于embedding的模型通过用户与物品交互历史学习到用户与物品的表示,但是这种方法对于没有出现在训练数据中的冷物品表现很差,因为冷物品没有得到训练,它的表示是随机的。目前最常见的方式是通过冷物品的属性生成其对应的表示,但是这种方法生成的冷物品嵌入与通过交互历史生成的物品嵌入分布不同。在这种情况下,出现了一种跷跷板现象,即提升冷物品推荐效果会降低暖物品的推荐效果,反之,提升暖物品推荐效果也会降低冷物品推荐效果。针对以上问题,作者提出了Generative Adversarial Recommendation(GAR)框架。它通过一种对抗的形式训练一个生成器和推荐器,生成器生成与暖嵌入相似的嵌入欺骗推荐器,推荐器学习对假的暖嵌入和真实暖嵌入正确排序。
方法
GAR框架如下。
整体思路较为简单,对于生成器来说,我们希望生成器能生成一个与真实物品嵌入向量相似的嵌入,令生成的向量比原嵌入向量有更高的评分,而对于推荐器来讲,我们希望推荐器能识别出真实的嵌入和生成的嵌入,并且赋予真实的嵌入更高的评分,于是就有以下对抗损失
此外,我们加入了相似性损失帮助你训练生成器,加入个性化推荐损失帮助推荐器保持暖推荐的能力。总的生成器和推荐器损失有
在GNN模型中,也可以使用本文提出的方法,以LightGCN为例,LightGCN可表示为以下公式
在本框架下,LightGCN可表示为
结果
本文提出的模型无论是在整体推荐、冷推荐还是暖推荐下,均取得最好效果。
总结
这是我看到的第一篇用GAN解决推荐系统冷启动问题的文章,文章思路比较新颖,用对抗的方式训练生成器和推荐器,效果也有一定的提高。而且本文不止关注了冷物品的推荐,还尽量保持了对暖物品的推荐,这导致在整体推荐的情况下效果更加突出。
标签:嵌入,效果,Framework,推荐,生成器,Adversarial,生成,Item,物品 From: https://www.cnblogs.com/ambition-hhn/p/16734349.html