[论文解读] Deep Adversarial Social Recommendation

Wenqi Fan, Tyler Derr+4 more|arXiv (Cornell University)|May 30, 2019

Recommender Systems and Techniques参考文献 27被引用 6

一句话总结

本文提出 DASO，一种深度对抗性社交推荐框架，通过双向映射与对抗学习，在物品域和社交域中学习解耦的用户表征。通过生成动态、难负样本，DASO 改进了用户与物品的表征学习，在两个真实世界数据集上均显著优于最先进基线模型，推荐准确率持续提升。

ABSTRACT

Recent years have witnessed rapid developments on social recommendation techniques for improving the performance of recommender systems due to the growing influence of social networks to our daily life. The majority of existing social recommendation methods unify user representation for the user-item interactions (item domain) and user-user connections (social domain). However, it may restrain user representation learning in each respective domain, since users behave and interact differently in the two domains, which makes their representations to be heterogeneous. In addition, most of traditional recommender systems can not efficiently optimize these objectives, since they utilize negative sampling technique which is unable to provide enough informative guidance towards the training during the optimization process. In this paper, to address the aforementioned challenges, we propose a novel deep adversarial social recommendation framework DASO. It adopts a bidirectional mapping method to transfer users' information between social domain and item domain using adversarial learning. Comprehensive experiments on two real-world datasets show the effectiveness of the proposed framework.

研究动机与目标

• 为解决统一用户表征在社交推荐中的局限性，该局限性导致因物品域与社交域中用户行为异构而难以实现领域特定学习。
• 克服传统负采样在优化用户与物品表征时的低效性，原因在于缺乏信息丰富、动态的负样本。
• 通过引入双向映射机制，在物品域与社交域中增强用户表征学习。
• 利用对抗学习生成难且信息丰富的负样本，以引导用户与物品表征更有效的优化。
• 开发一个统一的深度学习框架，整合对抗学习与解耦表征学习，以提升社交推荐性能。

提出的方法

• DASO 采用双向映射机制，在社交域与物品域之间传递用户信息，实现两个领域中用户表征的相互增强。
• 该框架采用类似 GAN 的生成器与判别器设置，以建模底层数据分布，并为训练生成合成的、难负样本。
• 引入循环一致性损失，以确保通过双向映射重建的表征保持与原始用户表征一致，缓解数据稀疏性问题。
• 通过基于成对排序（如 BPR）的对比损失，联合优化用户与物品表征，同时利用对抗生成的负样本来增强优化效果。
• 对抗学习被应用于物品域与社交域的生成器中，采用分层 Softmax 以提升 Softmax 计算的计算效率。
• 整体训练框架采用生成器与判别器之间的极小化-极大化博弈，以同步提升表征学习与样本生成能力。

实验结果

研究问题

• RQ1 与统一表征相比，物品域与社交域中解耦的用户表征是否能提升推荐性能？
• RQ2 在社交推荐中，对抗生成的负样本是否能提供比传统负采样更丰富的训练信号？
• RQ3 在两个域之间循环传递信息是否能缓解数据稀疏性并增强用户表征学习？
• RQ4 循环重建与对抗学习之间的平衡如何影响模型性能？
• RQ5 所提出的 DASO 框架在多大程度上优于现有最先进社交推荐模型？

主要发现

• DASO 在 Ciao 与 MovieLens 两个数据集上均持续优于所有基线模型，包括 DeepSoR 与 GraphRec，展现出更优的推荐准确率。
• 该模型在 Precision@3 与 Recall@3 上取得显著性能提升，表明对抗负采样有效增强了表征学习。
• 消融实验确认，双向映射与对抗学习组件对性能提升均不可或缺。
• 性能对控制循环重建的超参数 λ 具有相对鲁棒性，表明双向映射在不同权重下仍能有效稳定学习过程。
• 对抗学习的使用带来了更有效的优化，表现为模型能够生成难负样本，从而提升排序性能。
• 该框架展现出强大的泛化能力，在多个评估指标与数据集上均保持一致的性能提升。