運用生成式對抗網路緩解推薦系統冷啟動使用者問題

Abstract

隨著網際網路快速的發展，促進網路服務的多元開發，也讓現代人的生活越來越依賴網路服務平台，其中，對網路服務平台供應商而言，是否能獲得新進使用者的青睞是影響收益的關鍵因素。由於傳統的推薦系統演算法是基於使用者行為來進行產品推薦，在面對新進使用者(new users)時會因為只有他們少許的行為資料，推薦演算法難以從中分析出使用者興趣，而此問題被稱為「新進使用者冷啟動問題」(new user cold-start problem)，這樣的情境使得推薦系統難以了解新進使用者的興趣，更降低了推薦的效果。過去的研究試圖使用額外的資訊來解決新進使用者冷啟動問題，例如：使用者的性別、職業或社群網路資訊等等，但是資訊隱私與個人資訊保護使得先前的研究無法應用。 在本篇論文中，我們提出了一個端到端(end-to-end)基於生成式對抗網路(GAN)的推薦演算法來緩解使用者冷啟動的問題，此方法不需使用到額外的資訊，此方法由兩個神經網路組成：生成器與判別器，利用豐富的使用者資訊來訓練生成器，而生成器會學習模擬新進使用者變成豐富使用者的評分分佈，同時，判別器會負責分辨生成器模擬出的資訊與真實資訊，最後訓練完成的生成器就可以替冷啟動使用者進行推薦。此外，我們設計了「返老還童」機制來將豐富使用者還原到他剛加入平台時的冷啟動狀態，根據在三個不同領域資料集的實驗結果，我們提出的方法都遠遠優於其他冷啟動推薦演算法。