《電子技術(shù)應(yīng)用》
您所在的位置:首頁 > 通信與網(wǎng)絡(luò) > 設(shè)計應(yīng)用 > 基于用戶特定空間的對抗推薦模型
基于用戶特定空間的對抗推薦模型
網(wǎng)絡(luò)安全與數(shù)據(jù)治理
于曉明,,周淦,,劉志春
(1. 華北計算機系統(tǒng)工程研究所,,北京100083,;2. 63850部隊,,吉林白城137000)
摘要: 自編碼器和生成對抗網(wǎng)絡(luò)作為強大的模型已經(jīng)被應(yīng)用到推薦系統(tǒng)領(lǐng)域,,能補充用戶項目之間的交互信息,。但這種模式的訓(xùn)練下,,大量的輔助信息被浪費,,比如用戶特定信息,。結(jié)合自編碼器、生成對抗網(wǎng)絡(luò)和輔助信息,,提出了基于用戶特定空間的對抗推薦模型,。為建立輔助信息和交互信息的聯(lián)系,將自編碼器的隱空間替換為用戶特定空間,,交互信息和用戶特定信息的點對點映射又限制了模型的表達(dá),,因此,在用戶特定空間加入對抗訓(xùn)練增加模型的性能,。在兩個公開電影數(shù)據(jù)集的充分實驗證明了提出模型的有效性和優(yōu)越性,。
中圖分類號:TP391
文獻(xiàn)標(biāo)識碼:A
DOI:10.19358/j.issn.2097-1788.2023.03.012
引用格式:于曉明,,周淦,劉志春.基于用戶特定空間的對抗推薦模型[J].網(wǎng)絡(luò)安全與數(shù)據(jù)治理,,2023,42(3):74-79.
Adversarial recommendation model based on user-specific space
Yu Xiaoming1,,Zhou Gan 1,Liu Zhichun 2
(1National Computer System Engineering Research Institute of China, Beijing 100083, China; 2 63850 Troop, Baicheng 137000, China)
Abstract: Autoencoder and generative adversarial networks, as powerful models, have been applied to the field of recommendation systems to supplement the interactive information between users and items However, under this mode of training, a large amount of auxiliary information is wasted, such as userspecific information This paper combines autoencoder, generative adversarial networks, and auxiliary information to propose an adversarial recommendation model based on userspecific space (USSGAN). In order to establish the connection between auxiliary information and interactive information, the hidden space of the autoencoder is replaced by the userspecific space The pointtopoint mapping of interactive information and userspecific information limits the representation of the model Therefore, the adversarial training is added to the userspecific space to improve the performance of the modelExtensive experiments on two public movie datasets demonstrate the effectiveness and superiority of the proposed model
Key words : generative adversarial networks; userspecific space; autoencoder; recommendation systems

0   引言

信息技術(shù)的高速發(fā)展帶來了互聯(lián)網(wǎng)的信息爆炸,,許多資源得不到有效的利用,,人們在短時間內(nèi)提取有效信息十分困難。推薦技術(shù)的出現(xiàn)幫助人們解決信息過載現(xiàn)象,,推薦系統(tǒng)就是關(guān)注歷史信息中用戶感興趣的方面,,在未來推薦給用戶相關(guān)的項目。最初,,機器學(xué)習(xí)在推薦系統(tǒng)的應(yīng)用基本滿足了人們的需求,,隨著深度學(xué)習(xí)的引入,推薦系統(tǒng)的性能得到了進(jìn)一步的提升,。

AutoRec將自編碼器與協(xié)同過濾結(jié)合,,補充用戶項目交互信息的缺失值,解決數(shù)據(jù)稀疏的問題,。但自編碼器的隱空間維度是由超參數(shù)控制的,,這就導(dǎo)致研究者不能明確網(wǎng)絡(luò)從數(shù)據(jù)中學(xué)到的信息,因此推薦性能不高,。生成對抗網(wǎng)絡(luò)(Generative Adversarial Networks, GAN)作為深度學(xué)習(xí)的一種方法,,由生成器和判別器組成,兩者的對抗訓(xùn)練幫助生成器生成有用的數(shù)據(jù),。GAN被廣泛應(yīng)用在圖像,、文本、語音各個領(lǐng)域,。研究者也將GAN應(yīng)用在推薦系統(tǒng)中,,CFGAN將協(xié)同過濾與GAN結(jié)合,從對抗訓(xùn)練中補充用戶項目交互信息的缺失值,,這種方式帶來了性能的極大提升,,但模型也僅依靠用戶項目之間的交互信息完成推薦任務(wù),用戶信息和項目信息均沒有得到有效利用,。



本文詳細(xì)內(nèi)容請下載:http://forexkbc.com/resource/share/2000005259




作者信息:

于曉明1,,周淦1,劉志春2

(1.華北計算機系統(tǒng)工程研究所,,北京100083,;2.63850部隊,吉林白城137000)


微信圖片_20210517164139.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng),未經(jīng)授權(quán)禁止轉(zhuǎn)載,。