SIGIR2022 | 基于生成对抗思想的冷启动推荐算法

嘿，记得给“机器学习与推荐算法”添加星标

---

冷启动问题一直以来都是推荐系统中长期存在的一个棘手问题。传统的基于嵌入的推荐模型通过从历史交互中学习每个用户和物品的嵌入来提供推荐。因此，这种基于嵌入的推荐模型对于训练集中没有出现过的冷门物品表现很差。最常见的解决方案是为冷门物品从其内容特征中生成冷门嵌入。然而，由于内容特征和历史交互特征的分布不同，使得从内容生成的冷嵌入与之前的嵌入具有不同的分布。

在这种情况下，目前的冷启动方法面临着一个有趣的跷跷板（seesaw）现象，即当它改善了冷物品的推荐效果的同时，它就损害了正常物品的推荐效果；相反，当其提高了暖物品的性能的同时会损害冷物品的推荐效果。

基于此，本文提出了一个名为生成对抗式的推荐通用框架（GAR）。通过对生成器和推荐器进行对抗性训练，生成的冷门物品嵌入可以具有与常规嵌入相似的分布，甚至可以欺骗推荐器让其认为这两者的分布一致。同时，推荐器被微调以正确排列"假的"正常嵌入和真正的正常嵌入。因此，正常物品和冷门物品的推荐效果都不会相互影响，从而避免了跷跷板现象。

值得一提的是，所提出的GAR组件可以应用于任何现有的推荐模型中。最后，本文所提出的模型在两个数据集上的实验表明，GAR在冷启动设置下比基于协同过滤模型和基于图神经网络的推荐模型都有较多的性能提升。

论文：https://dl.acm.org/doi/abs/10.1145/3477495.3531897
代码：https://github.com/zfnWong/GAR

---

欢迎干货投稿 \ 论文宣传 \ 合作交流

推荐阅读

推荐系统中的对抗机器学习技术总结

基于对抗学习的隐私保护推荐算法

利用对抗技术来权衡推荐精度与用户隐私

TKDE2022 | 基于关系的协同过滤算法

论文周报 | 推荐系统领域最新研究进展

由于公众号试行乱序推送，您可能不再准时收到机器学习与推荐算法的推送。为了第一时间收到本号的干货内容， 请将本号设为星标，以及常点文末右下角的“在看”。

喜欢的话点个在看吧