可分解的生成对抗推荐采样

Nov, 2020

Sampling-Decomposable Generative Adversarial Recommender

Binbin Jin, Defu Lian, Zheng Liu, Qi Liu, Jianhui Ma...

TL;DR这篇论文提出了一种采样分解生成对抗式推荐器 (SD-GAR) 方法，旨在解决生成样本耗时以及推荐过程中负样本缺乏的问题。作者通过自规范化重要性采样以及分解采样来解决推荐中的挑战，并在五个真实的推荐数据集上进行了评估，结果显示 SD-GAR 的推荐效果比目前最先进的方法还要好。

Abstract

recommendation techniques are important approaches for alleviating information overload. Being often trained on implicit user feedback, many recommenders suffer from the sparsity challenge due to the lack of expl

recommendation techniques implicit user feedback gan-style algorithms generative adversarial recommender self-normalized importance sampling

发现论文，激发创造

生成对抗网络中的协同采样

本文提出了一种协同抽样方案，使得生成器和鉴别器通过在生成器的特定层使用梯度更新来优化生成样本，通过实验验证在合成和图像数据集上，这种方法可以在定量和定性上提高生成的样本，提供了 GAN 抽样中的一种新的自由度。

Feb, 2019

生成对抗网络的重参数采样

本文提出 REP-GAN，一种基于马尔可夫链重参数化的采样方法，能够在提高样本质量的同时大大提高采样效率。在合成和真实数据集上的广泛实验证实了 REP-GAN 的优越性。

Jul, 2021

多生成器生成对抗网络

本文提出了一种名为 Mixture GAN （MGAN）的新方法，该方法采用多个生成器的混合训练，旨在克服 mode collapsing 问题，通过理论分析得出结论，证明了在平衡状态下，多个生成器的分布和数据分布之间的 Jensen-Shannon 差异最小，生成器之间的 Jensen-Shannon 差异最大，从而有效地避免了 mode collapsing 问题，能够在多项实验中取得明显的优势。

Aug, 2017

高保真度分离表示合成

提出了一种基于信息提取的生成对抗网络框架（ID-GAN），可用于通过 VAE-based 模型学习分离表示，并将其提炼为生成高保真图像的 GAN 生成器。

Jan, 2020

用于重新排序推荐的非自回归生成模型

在多阶段推荐系统中，重新排名通过建模项之间的内部列表相关性发挥着关键作用。在重新排名中的关键挑战在于在排列组合空间中探索最优序列。最近的研究提出了一个生成器 - 评估器学习范式，其中生成器生成多个可行序列，评估器基于估计的列表得分选择出最佳序列。生成器是至关重要的，而生成模型非常适合生成器函数。然而，在实时工业系统中部署自回归模型是具有挑战性的。因此，我们提出了一种用于重新排名推荐的非自回归生成模型 (NAR4Rec)，旨在提高效率和效果。为了解决与稀疏训练样本和动态候选项对模型收敛的影响相关的挑战，我们引入了匹配模型。考虑到用户反馈的多样性，我们提出了一种序列级别的非可能性训练目标，以区分可行序列和不可行序列。此外，为了克服非自回归模型中关于目标项的依赖建模不足的问题，我们引入了对比解码来捕捉这些项之间的相关性。对公开可用数据集进行的大量离线实验验证了我们所提出方法与现有最先进的重新排名方法相比的卓越性能。此外，我们的方法已在拥有超过 3 亿日活跃用户的热门视频应用快手上完全部署，显著提高了在线推荐的质量，展示了我们方法的有效性和效率。

Feb, 2024

在知识表示学习中应用 GAN 进行负采样

本文提出了一个基于对抗生成网络的知识表示学习框架，利用生成器获得高质量的负样本，通过判别器学习知识图谱中实体和关系的嵌入，进而提高传统模型的知识表示学习能力。实验结果表明，该框架在三元组分类和链接预测任务上优于基线模型。

Sep, 2018

条件去噪漫扩散在顺序推荐中的应用

本研究提出了一种条件去噪扩散模型以应对生成敌对网络和变分自编码器在顺序推荐任务中的挑战，通过将过程分成易于处理的步骤来简化优化和推荐任务，同时采用新的优化模式，模型能够生成高质量的序列 / 项目表示并防止折叠

Apr, 2023

混合批次和对称判别器用于 GAN 训练

该研究提出了一种新的方法来减少 GANs 中的模式坍塌问题，即通过引入一种通用的置换不变鉴别器架构来训练一个预测混合批的真假样本比例的不变鉴别器得分来代替传统方式评估单个样本的鉴别器。实验证明，在两个合成数据集上，这种方法有效地减少了模式坍塌，而在 CIFAR10 和 CelebA 数据集上得到了良好的定性和定量结果。

Jun, 2018

多智能体多元生成对抗网络

介绍一种名为 MAD-GAN 的多智能体生成对抗网络架构，可以解决 GAN 领域的模式崩溃问题，实验表明该架构能产生高质量的样本且具有较强的去卷积能力。

Apr, 2017

通过对抗训练生成可信好友以提高社交推荐

本文提出了一种基于生成式对抗网络（GAN）的端到端社交推荐框架，该框架可以适应地生成可靠的好友，从而改善了显式社交关系的稀疏性和不可靠性问题，提升了社交推荐的性能表现，实验研究表明该框架的优越性和生成可靠好友的积极影响。

Sep, 2019