基于反向延长增强的对抗生成网络推荐算法

来源：计算机应用研究杂志2024年第7期北京时间：

作者：张文龙,孙福振,吴相帅,李鹏程,王绍卿,

单位：山东理工大学计算机科学与技术学院,山东淄博255049；

摘要：针对现有序列推荐模型因数据稀疏性严重难以达到最优性能的问题，提出了一种基于反向延长增强的生成对抗网络推荐算法。该方法通过对交互序列进行延长增强来获取高质量的训练数据，以缓解数据稀疏性带来的模型训练不充分的问题。首先，使用伪先验项将项目序列进行反向延长，深化项目序列特征；其次，延长增强的对象由短序列更改为所有用户序列，充分挖掘长序列中富含的上下文信息，缓解了增广序列中伪先验项占比过大而带来的噪声问题；最后，使用共享项目嵌入的生成对抗网络，通过判别器与生成器联合训练以提高模型推荐性能。在三个公开数据集上的实验结果表明，所提模型的命中率（HR@N）和归一化折损累计增益（NDCG@N）相较于最优基线ELECRec平均提升30%，验证了反向延长增强对挖掘序列特征和缓解数据稀疏性的有效性。

关键词：推荐系统,反向延长增强,生成对抗网络,序列推荐,自注意力网络,

基金资助：国家自然科学基金项目(61841602)；山东省自然科学基金项目(ZR2020MF147)；；