基于对抗型排序学习的混合推荐算法

摘要

推荐系统可以帮助用户过滤海量信息，单一的推荐算法存在一定的缺陷，基于深度学习的混合推荐通过融入辅助信息可以有效缓解传统推荐算法中数据稀疏的问题，往往可以取得更好的推荐效果。在目前大多数的研究中，针对不同的算法都采用了具体的辅助信息，没有一个统一的混合推荐框架。该文提出了一种基于对抗型排序学习的混合推荐算法——MRecGAN(Mixed Recommendation Generative Adversarial Network)；利用排序学习的思想将多个基础推荐算法融合，构建统一的辅助数据，挖掘特征之间的深层关系；并利用生成式对抗网络学习排序函数，通过一个判别器与两个生成器之间的协同对抗，提升各自性能，获得推荐序列；最后利用真实电影Movielens数据集结合辅助数据进行测试。实验结果表明，该模型较好综合了各基础模型的优点，NDCG(Normalized Discounted Cumulative Gain)等指标改善显著，MRR(Mean Reciprocal Ranking)相较于CML(Collaborative Metric Learning)提升32.05%。

关键词

对抗网络 / 辅助信息 / 数据稀疏 / Movielens / NDCG