伴随大数据时代的到来,为积极应对海量、非结构化的“信息过载”问题,推荐系统在互联网产品中的应用变得越来越广泛,它们给人们的日常生活带来了重要影响。推荐系统的研究工作经历了十多年的发展,但其中许多研究依然处于不成熟的阶段,还存有数据稀疏、用户的隐性偏好挖掘不充分、项目特征语义刻画不精确等问题。为此,在采集外部信息源-图像的基础上,围绕MovieLens数据集,构建全新的多模态数据集MovieLens-MP(MP指Movie Poster,即电影海报),为推荐工作奠定数据基础;分别从负样本采样、对抗学习、VBPR模型、图像特征学习、跨模态语义分析等角度展开推荐系统研究,并基于生成对抗网络完成模型训练。主要工作如下:(1)基于GraphGAN模型的推荐系统。围绕MovieLens数据集,从图模型角度开展推荐系统研究:构建推荐数据的二部图,根据节点和边的相似性概率,完成基于GraphGAN模型的推荐。实验表明:GraphGAN模型处理图结构数据,能充分利用节点间的结构信息,并采用生成对抗网络完成模型训练。相较于传统模型,推荐性能得到提升。(2)基于UPM-GAN(UPM指User Preference Mining,即用户偏好挖掘)模型的推荐系统:围绕MovieLens数据集,从两个角度深入挖掘用户潜在偏好:采用三元组损失算法完成难分负样本挖掘。基于SVD++算法设计生成模型。基于GAN框架训练UPM-GAN模型,完成推荐。实验表明:负样本以反向激励方式确立正样本,从而更好地刻画用户潜在偏好;SVD++算法中包含隐式参数和偏置信息,能更准确地描述用户潜在偏好;UPM-GAN模型推荐性能优秀且收敛速度更快,模型训练过程更平稳。(3)基于VABPR(Visual Adversarial Bayesian Personalized Ranking)模型的推荐系统:为缓解推荐中的数据稀疏问题,围绕全新的MovieLens-MP数据集,执行基于高效匹配核算法的图像特征学习;将VBPR(Visual Bayesian Personalized Ranking)模型与对抗学习相结合,即在推荐中引入视觉特征,并完成对抗学习;基于VBPR框架训练VABPR模型。实验表明:相比UPM-GAN、GraphGAN等模型,VABPR模型的推荐性能进一步提升,其中视觉特征和对抗学习发挥重要角色。此外,稀疏度更高的MovieLens-1M-MP数据集获得较MovieLens-100K-MP更优的推荐性能,数据稀疏问题得到有效缓解。(4)基于MVABPR模型的推荐系统:为充分利用异构图像特征之间的语义相关性,围绕VABPR模型设计出MVABPR模型;通过判别相关分析方法挖掘异构图像特征间的相关性,更好地刻画图像内容。即升级VABPR模型的视觉表示,完成高质量推荐。实验表明:MVABPR模型优于UPM-GAN、ABPR、VABPR等主流基线;它在稀疏度更高的数据集上能获取更优的推荐性能,推荐系统具备一定实用价值。