1.一种基于成对对抗训练的推荐模型,其特征在于:模型包含生成器和判别器两部分,生成器对用户的行为偏好建模并生成用户喜欢的物品列表,判别器判断用户对某一物品是否喜欢;基于假设“相对于生成器生成的物品,判别器认为用户更喜爱已交互的物品”,使用成对对抗损失函数在生成器和判别器之间建立连接;判别器的目标是最小化成对损失并提升自己的判别能力,生成器的目标是最大化成对损失,欺骗判别器并提升对用户偏好的建模能力;使用可微的采样方法和基于梯度下降的优化方法提升对抗训练的稳定性。
2.根据权利要求1所述的一种基于成对对抗训练的推荐模型,其特征在于:基于假设“相对于生成器生成的物品,判别器认为用户更喜爱已交互的物品”,使用成对损失函数将生成器和判别器统一在对抗训练的框架下,其中,判别器需要最小化目标函数,生成器需要最大化目标函数,即:其中,i是用户u已交互的物品,j是生成器g生成的物品,f是判别器,L为成对损失函数,θ和φ分别是生成器和判别器的参数集合,preal表示已交互物品的概率分布,pθ表示生成器生成物品的概率分布;在训练阶段,生成器和判别器的优化是交替进行的。
3.根据权利要求1所述的一种基于成对对抗训练的推荐模型,其特征在于:所述模型的采样过程是可微的,采样过程为:j=softmax((logpu+z)/t)
其中,pu是生成器根据用户u生成物品的概率分布,z是从Gumbel(0,1)分布采样得到的噪声向量,物品j是一个n维的近似独热(one-hot)向量,表示生成器g生成的物品;参数t趋近0时,j接近独热向量,t趋近正无穷时,j则为均匀向量。
4.根据权利要求1所述的一种基于成对对抗训练的推荐模型,其特征在于:生成物品j在判别器中的特征向量和偏置是由可微的过程获得:vj=jV
bj=jb
其中j∈R1×n是近似独热向量,代表生成的物品,V∈Rn×d是判别器中物品的特征矩阵,b∈Rn×1是物品偏置向量,因此bj和vj∈R1×d可作为物品j的偏置和特征向量。
5.根据权利要求1所述的一种基于成对对抗训练的推荐模型,其特征在于:该模型整体可微,采用基于梯度的优化方法交替地训练模型参数,判别器的目标是最小化成对损失,需要使用梯度下降更新其参数φ:生成器的目标是最大化成对损失,需要使用梯度上升更新其参数θ: