[论文解读] 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 6

一句话总结

本文从问题驱动的角度对基于生成对抗网络（GAN）的推荐系统进行了综述，将现有方法分为两大主线：通过对抗训练缓解数据噪声，以及通过 GAN 进行数据增强以应对数据稀疏性。研究提供了全面的分类体系，突出关键模型，并指出了可解释性、跨领域推荐和可扩展性方面的未来研究方向。

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.

研究动机与目标

• 从问题驱动的视角系统性地回顾基于 GAN 的推荐系统，重点关注数据噪声和数据稀疏性问题。
• 基于其处理数据噪声和稀疏性的底层机制，将现有模型组织成一个连贯的分类体系。
• 识别并讨论基于 GAN 的推荐系统中的开放性挑战和新兴研究方向。
• 为研究人员提供该领域当前进展的结构化概览，并为未来的发展提供实用指导。

提出的方法

• 将基于 GAN 的推荐系统模型分为两大问题驱动主线：噪声缓解和数据稀疏性缓解。
• 针对数据噪声，回顾基于对抗扰动和对抗采样训练的方法，以过滤恶意或无信息的反馈。
• 针对数据稀疏性，分析通过学习用户-物品交互真实分布来实现数据增强的 GAN 模型。
• 分析利用辅助信息（如侧边特征、知识图谱）来提升数据生成和表征学习的模型。
• 提出一种框架，其中生成器学习合成逼真的用户偏好，判别器则区分真实与虚假样本。
• 引入一种极小化最大值训练目标，使生成器与判别器共同演化，以提升推荐质量和鲁棒性。

实验结果

研究问题

• RQ1 如何有效应用 GAN 来缓解推荐系统中的数据噪声，特别是来自恶意或无信息用户反馈的噪声？
• RQ2 在用户-物品交互矩阵中，哪些基于 GAN 的策略最有效地缓解数据稀疏性？
• RQ3 基于 GAN 的模型如何整合辅助信息（如文本、知识图谱）以提升推荐性能？
• RQ4 当前基于 GAN 的推荐模型在可解释性、可扩展性和跨领域迁移方面存在哪些关键局限？
• RQ5 未来哪些研究方向——如可解释人工智能、跨领域学习和可扩展训练——最有可能推动基于 GAN 的推荐系统的发展？

主要发现

• 基于 GAN 的模型通过对抗训练有效降低了数据噪声的影响，能够过滤掉无信息或恶意的反馈。
• 通过 GAN 实现的数据增强在低数据环境下显著提升了推荐性能，能够生成逼真的用户-物品交互模式。
• 通过 GAN 整合辅助信息（如文本评论、知识图谱）的模型在稀疏场景下表现出更高的鲁棒性和准确性。
• 尽管已取得进展，当前基于 GAN 的推荐系统仍主要为黑箱模型，限制了其在实际应用中的可解释性和可信度。
• 利用 GAN 实现的跨领域推荐在跨领域知识迁移方面展现出潜力，但研究仍不充分，面临领域对齐的挑战。
• 可扩展性仍是主要瓶颈，高计算成本和模型复杂性，尤其是在处理流式或高维数据时。