融合多维梯度反馈的生成对抗网络推荐系统

互联网时代,推荐系统在日常生活中变得十分重要,生成对抗网络(GAN)与推荐算法的结合为该领域的发展提供了新契机。以往基于生成对抗网络的推荐系统中,鉴别器提供的梯度反馈是二元的,此类反馈为生成器提供的帮助不够全面,造成诸如生成器性能不稳定、迭代速度慢等问题,进而影响模型的整体推荐效果。针对此问题,提出了多维梯度反馈生成对抗网络(MGFGAN),根据生成器生成的多维用户评分向量,该模型将自编码器(AutoEncoder)融入鉴别器中,达到为生成器提供多元反馈的目的,旨在让生成器生成的数据更加贴近用户偏好;此外,融合多维梯度反馈机制给模型整体带来了运算量激增的问题;因此,MGFGAN在生成器中引入了负采样模块,使得生成器同时兼顾用户感兴趣和不感兴趣的物品,从而加速生成器快速生成与真实用户分布一致的数据,提升模型的效率。提出的模型在公开数据集FilmTrust和Ciaos上展开实验仿真。实验结果表明MGFGAN的推荐性能优于其他基于生成对抗网络的推荐模型,并且在效率和稳定性方面取得改善。