鲁棒性和数据稀疏问题已经成为推荐系统研究中的两大热点问题。鲁棒性推荐旨在从有噪声的用户数据中捕捉用户的真实偏好,提供准确且稳定的个性化推荐。数据稀疏问题是指,相对于推荐系统的海量用户和商品,每个用户交互过的物品仅仅是商品总量的很小一部分,这导致依赖于用户历史数据的推荐模型难以准确捕捉用户的个性化偏好。尽管现有工作已经对这两个问题进行了研究,但推荐系统的鲁棒性问题和数据稀疏问题仍未得到很好的解决。现有工作在解决鲁棒性问题时,仍然面临以下两个挑战:第一是个性化降噪,由于用户有不同的行为模式,物品有不同的交互模式,鲁棒性推荐应当能够自适应地对具有不同噪声分布的用户交互数据进行个性化降噪处理,而许多现有方法难以捕捉噪声分布的差异性;第二是多模态偏好,它要求推荐模型应该具有足够的表达能力以捕捉多模态的用户偏好,而不是像许多现有的基于变分自编码器的工作那样,仅以一种分布来近似编码用户偏好的用户嵌入向量的真实后验分布。本文针对鲁棒性推荐的上述挑战,提出了一种基于对偶对抗变分嵌入的鲁棒性推荐模型DAVE,该模型可以自适应地捕捉不同用户或不同物品的个性化噪声和多模态偏好,提高推荐的鲁棒性。本文通过在真实数据集上的大量实验,验证了DAVE的推荐性能和鲁棒性。在仅考虑用户-物品交互数据的情况下,数据增强为缓解稀疏问题提供了一种思路。但现有基于数据增强的推荐方法在处理数据稀疏问题时,仍面临两个挑战:第一是自适应的数据增强,它要求数据增强应该自适应于学习用户个性化偏好的需要,这是因为用户的个性化偏好使得不同用户的数据稀疏性对其个性化偏好学习的影响是不同的,而现有工作为所有用户进行数据增强,其潜在假设是不同用户的数据稀疏性对模型学习用户的个性化偏好有相同的影响;第二是端到端的训练,现有基于数据增强的推荐方法将数据增强模型的学习过程与推荐模型的学习过程分离,这很可能导致数据增强的结果难以使推荐模型具有最优的泛化表现,且这种分阶段的学习过程难以满足自适应数据增强的需求,因此整合数据增强模型的学习与推荐模型的学习于一个端到端的过程中,使数据增强模型和推荐模型具有统一的学习目标,有利于保障数据增强的有效性和自适应性。为了解决上述挑战,本文提出了一种基于对抗生成和门控机制的自适应评分增强模型GRAAG,该模型利用一个专门设计的门控机制,并结合对抗训练和端到端训练,实现了有效的自适应评分增强,因此能够根据不同用户的个性化偏好学习需要而个性化地处理不同用户的评分稀疏问题。本文通过在真实数据集上的大量实验验证了GRAAG的推荐准确性和个性化地处理数据稀疏问题的自适应性。