论文部分内容阅读
个性化推荐作为解决信息负载的重要手段,正受到学术界越来越多的关注和研究,给商业平台带来不可估量的收益。将推荐系统视为一个查询-排序问题,生成对抗网络(Generative Adversarial Networks,GANs)以其生成模型和判别模型动态对抗互利共赢的特性可以很好的模拟推荐领域中用户与推荐系统的交互过程。然而原始GANs仅限于生成连续数据,为解决推荐领域以离散文本为主流数据形式的问题,通常采用强化学习(Reinforcement Learning,RL)的策略梯度(Policy Gradient)来求取生成模型的近似梯度,却容易产生高方差,引起样本扰动,导致模型难以收敛。况且GANs向来难以训练,应用于推荐“模型崩溃”依旧存在,网络泛化性欠佳。针对上述问题提出一种基于异构Generator-Discriminator集成的推荐算法(Heterogeneous Generator-Discriminator Ensemble,HGDE),动态模拟用户和推荐系统的交互过程,在已有的将GANs应用于推荐的算法基础上做了以下改进:i)采用动态负采样的方法初步过滤候选集,减小查询海量数据的时间复杂度;ii)用复杂有效的深度学习(Deep Learning,DL)模型丰富生成网络和判别网络,充分挖掘useritem间的非线性关系从而提高模型预测精度;iii)采用Multi-Generator和MultiDiscriminator的集成学习方法来降低策略梯度引起的高方差,避免网络过拟合,提高网络泛化性。HGDE和当前基于GANs的主流推荐算法在时间效率、Precision@5和NDCG@5指标上作了对照实验,在经典推荐数据集Movielens-100K上分别提升33.32%、16.64%和9.17%,在FilmTrust上分别提升68.73%、26.06%和24.30%。实验表明HGDE除提高推荐预测精度外,泛化性更佳,拓展性更强。