基于生成对抗网络的长短兴趣推荐模型

传统的推荐系统中,用户的兴趣被认为是稳定不变的,而事实上,用户的兴趣会因为各种因素产生变化。为了更加有利地跟踪用户兴趣偏好变化进行内容推荐,提出了一种基于生成对抗网络的推荐算法L-GAN(long short-term memory via generative adversarial networks),利用长期和短期的兴趣偏好,通过生成对抗的训练策略来训练推荐模型,使推荐模型产生的推荐列表更加准确。在对抗训练过程中,将数据分为多个行为周期,按照时间顺序依次输入每个行为周期内的用户-项目评价矩阵,生成器模型产生推荐列表,而判断器模型则区分输入的推荐列表是否与真实历史记录的特征相似。最终,通过在两个公开的数据集上与多个推荐模型进行对比实验,结果表明在不同稀疏度的数据集上,L-GAN算法在推荐精度方面有较明显的提高,更善于挖掘数据的隐层特征。