一种利用对抗性学习提高推荐鲁棒性的算法

摘要：

随着电子商务网站的快速发展,针对不同用户进行适合其个性化推荐的需求也不断增加.其中,产品视觉外观是用户选择的关键因素之一,因此视觉特征在推荐模型中有重要的作用.同时,文献表明在个性化推荐算法中图像数据的一个较小扰动可能会较大降低推荐准确度和模型鲁棒性.针对这一问题,本文首先验证了在产品美学因子特征中加入对抗性扰动会对模型鲁棒性产生影响;其次提出了一种改进的ADCFA(Adversarial Dynamic Collaborative Filtering Model with Aesthetic Feature)推荐算法,通过在视觉混合特征参数上加入微小扰动使推荐性能下降,再使用对抗性学习方法进行模型训练,从而提高推荐系统鲁棒性;最后,还设计了一种改进的ADCFA-SGD算法用于求解模型所需的参数.通过亚马逊数据集上的实验结果表明,基于对抗性学习的个性化推荐算法性能得到明显改善,同时也提高了模型鲁棒性.

关键词：个性化推荐;对抗性学习;视觉特征;美学因子;鲁棒性

所属期刊栏目：42

分类号：TP391(计算技术、计算机技术)

资助基金：浙江省自然科学基金项目LY18F010025,LY13F010011

在线出版日期：2021-10-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：2079-2084