科研之友
微信
新浪微博
Facebook
分享链接
摘要
互联网时代，推荐系统影响日常生活的各个方面，生成对抗网络（GAN）与推荐算法的结合为该领域的发展提供了新契机。本文发现了将生成对抗网络用于协同过滤（CF）时存在的独特问题，以往基于生成对抗网络的推荐系统中，鉴别器提供的梯度反馈是二元的，此类反馈为生成器提供的帮助不够全面，造成诸如生成器性能不稳定，迭代速度慢等问题，进而影响模型的整体推荐效果。针对此问题提出了多维梯度反馈生成对抗网络（MGFGAN），根据生成器生成的多维用户评分向量，该模型将自编码器（AutoEncoder）融入鉴别器中，达到为生成器提供多元反馈的目的，旨在让生成器生成的数据更加贴近用户偏好；此外，融合多维梯度反馈机制给模型整体带来了运算量激增的问题；因此，MGFGAN在生成器中引入了负采样模块，使得生成器同时兼顾用户感兴趣和不感兴趣的物品，从而加速生成器快速生成与真实用户分布一致的数据，提升模型的效率。本文提出的模型在公开数据集FilmTrust和Ciaos上展开实验仿真。实验结果表明MGFGAN的推荐性能优于其他基于生成对抗网络的推荐模型，并且在效率和稳定性方面取得改善。
- 单位
