[論文レビュー] Recommender Systems Based on Generative Adversarial Networks: A Problem-Driven Perspective

Min Gao, Junwei Zhang+4 more|arXiv (Cornell University)|Mar 5, 2020

Generative Adversarial Networks and Image Synthesis参考文献 54被引用数 6

ひとこと要約

本稿は、生成的対抗ネットワーク（GAN）に基づくレコメンデーションシステムに関する問題志向のサーベイを提示しており、既存の手法を2つの主要な方向に分類している：データノイズの軽減のための対抗訓練、およびデータスパarsityを解消するためのGANによるデータ拡張。本研究は包括的な分類体系を提供し、主要なモデルを特定し、説明可能性、クロスドメインレコメンデーション、スケーラビリティに関する今後の研究分野を同定する。

ABSTRACT

Recommender systems (RSs) now play a very important role in the online lives of people as they serve as personalized filters for users to find relevant items from an array of options. Owing to their effectiveness, RSs have been widely employed in consumer-oriented e-commerce platforms. However, despite their empirical successes, these systems still suffer from two limitations: data noise and data sparsity. In recent years, generative adversarial networks (GANs) have garnered increased interest in many fields, owing to their strong capacity to learn complex real data distributions; their abilities to enhance RSs by tackling the challenges these systems exhibit have also been demonstrated in numerous studies. In general, two lines of research have been conducted, and their common ideas can be summarized as follows: (1) for the data noise issue, adversarial perturbations and adversarial sampling-based training often serve as a solution; (2) for the data sparsity issue, data augmentation--implemented by capturing the distribution of real data under the minimax framework--is the primary coping strategy. To gain a comprehensive understanding of these research efforts, we review the corresponding studies and models, organizing them from a problem-driven perspective. More specifically, we propose a taxonomy of these models, along with their detailed descriptions and advantages. Finally, we elaborate on several open issues and current trends in GAN-based RSs.

研究の動機と目的

• データノイズとデータスパarsityに焦点を当て、問題志向の視点からGANベースのレコメンデーションシステムを体系的にレビューすること。
• データノイズとスパarsityを処理するための根本的メカニズムに基づいて、既存のモデルを一貫性のある分類体系に整理すること。
• GANベースのレコメンデーションシステムにおける未解決の課題と新たな研究分野を特定し、議論すること。
• 研究者に対して、この分野における現在の進展の構造的概要と、今後の開発のための実用的ガイドラインを提供すること。

提案手法

• GANベースのRSモデルを2つの問題志向の主要な方向に分類：ノイズ低減とデータスパarsityの軽減。
• データノイズの観点から、悪意のあるまたは情報のないフィードバックをフィルタリングするための対抗的摂動および対抗的サンプリングに基づく訓練をレビュー。
• データスパarsityの観点から、ユーザー・アイテム相互作用の真の分布を学習することで、データ拡張を実現するGANを検討。
• 補助情報（例：サイド特徴、知識グラフ）を活用して、データ生成と表現学習を向上させるモデルを分析。
• 生成器が現実的なユーザーの好みを合成するように学習し、識別器が本物と偽物のサンプルを区別するフレームワークを提案。
• 生成器と識別器が共進化することで推薦品質と耐性を向上させるミニマックス訓練目的関数を導入。

実験結果

リサーチクエスチョン

• RQ1 悪意のあるまたは情報のないユーザーのフィードバックから生じるデータノイズを効果的に軽減するために、GANはどのように活用できるか？
• RQ2 ユーザー・アイテム相互作用行列におけるデータスパarsityを軽減するための、最も効果的なGANベースの戦略は何か？
• RQ3 GANを用いて補助情報（例：テキスト、知識グラフ）を統合するモデルは、どのようにして推薦性能を向上させるか？
• RQ4 解釈可能性、スケーラビリティ、クロスドメイン転送の観点から、現在のGANベースのレコメンデーションモデルの主な制限は何であるか？
• RQ5 説明可能なAI、クロスドメイン学習、スケーラブルなトレーニングといった、GANベースのRSを発展させる上で最も有望な今後の研究分野は何か？

主な発見

• 対抗訓練を用いることで、GANベースのモデルは情報のないまたは悪意のあるフィードバックをフィルタリングし、データノイズの影響を効果的に低減する。
• GANによるデータ拡張は、低データ環境において現実的なユーザー・アイテム相互作用パターンを生成することで、推薦性能を顕著に向上させる。
• テキストレビュー、知識グラフなどの補助情報をGANを介して統合するモデルは、スパースな状況下でより高い耐性と正確性を示す。
• 進展は見られるものの、現在のGANベースのRSは依然としてブラックボックスのモデルであるため、実世界の応用において解釈可能性と信頼性が制限されている。
• GANを用いたクロスドメインレコメンデーションは、ドメイン間での知識転送の観点から有望であるが、まだ十分に検討されておらず、ドメインの整合性の課題に直面している。
• スケーラビリティは、特にストリーミングまたは高次元データに対して高い計算コストとモデルの複雑さが要因で、主なボトルネックのままである。