本文论文题目：《CFGAN: A Generic Collaborative Filtering Framework based on Generative Adversarial Networks》
本文论文下载地址：https://dl.acm.org/citation.cfm?doid=3269206.3271743
1、背景
使用GAN来进行推荐，之前已经有过IRGAN和GraphGAN的方法。
关于IRGAN，可以参考文章：https://www.jianshu.com/p/d151b52e57f9
对于GraphGAN，论文本身针对于链接预测问题，可以扩展到推荐系统中，其最主要的贡献在于将图表示成宽度优先的树，并提出了graph softmax的方法，感兴趣的同学可以阅读下原文：https://arxiv.org/abs/1711.08267
但是这两种方法都存在discrete item index generation的问题。我们首先来解释一下，什么是discrete item index generation。
discrete item index generation
对于IRGAN和GraphGAN来说，生成器G是基于概率，生成一个单独的项目ID或者ID列表，并通过强化学习中策略梯度的方式进行训练。在判别器的“指导”下，随着训练的进行，生成器G将生成与真实情况完全相同的项目ID。但是，这对判别器来说并不友好，同一个物品，它有可能既被标记为真实数据（real），又被标记为生成数据（fake），如下图的i3:
这样如果将其送进判别器进行判别，判别器将会产生困惑，使得判别器性能下降，之后在策略梯度迭代的过程中，判别器将向生成器提供错误的信号，自己的性能也开始降低。下面的实验结果展示了这一点：
现象如图所示：在初始的几次迭代过程中，判别器与生成器的性能都逐渐提升，但随着实验的进行，判别器的性能突然降低，产生这样的原因便是同一物品被标记为不同类别的情况。在这种情况下，G和D之间的竞争过程也失去了原本的意义，推荐效果也存在局限。
2、模型框架
针对上面的问题，作者从原始的GAN出发。提出了一种vector-wise的训练方式。
我们都知道，最开始的GAN是用于图像生成的，G生成的是图像的向量，D直接判断这些向量是否是真实的图片。当G生成的是向量时，该向量可能非常与真实向量所接近，但与真实向量一模一样的概率却非常小，因此D被迷惑的概率也是非常小的。
在CFGAN中，G生成的是向量是什么呢？这里我们称其为购买向量purchase vector。这个也很好理解，假设我们有基于隐式反馈得到的用户-物品购买矩阵，那么从用户角度来说，购买向量便是矩阵中的一行，若用户与物品有过购买(其实不一定是购买，也可以认为是有过交互，不过本文统一认为为1的地方是用户对物品有过购买行为），该位置为1，如果没有购买，该位置是空（不是0），从物品角度来说，购买向量便是矩阵中的一列，若物品被用户购买过，该位置为1，如果没有购买过，该位置是空（不是0）。
因此，下面我们首先介绍从用户角度出发的CFGAN模型的设计，然后可以迁移到从物品角度出发的CFGAN框架。
2.1 整体框架
CFGAN的整体框架如下：
生成器G的设计
生成器的输入包含两部分，一是用户向量c，另一个是噪声向量z。经过生成器的多层神经网络后，输出用户购买向量。向量中每一个值代表用户与物品交互的概率。非常巧妙的是，这里对输出的购买向量增加了一个mask。即图中下面的部分：
mask向量eu中，用户交互过的地方为1，没有交互过的地方为0，为什么要加入mask呢？首先，为0的地方并不代表用户不喜欢，其次，用户没有购买过的物品，在乘上0之后，其实是训练的时候丢掉了这些节点，因为乘上0之后，梯度永远为0，是不会反向传播回去的；同时，如果把真实购买向量对应位置设置为0的话，判别器在这些地方也是没有损失的。这与传统的矩阵分解方法是非常类似的，即用用户购买过的地方去训练，随后预测用户对未购买过的物品的评分。
判别器D的设计
判别器将用户真实的购买向量和G生成的购买向量进行混合，尽可能地将真实向量识别成real，将生成的向量识别成fake。这里同样需要输入用户向量c。
模型训练
生成器的损失函数为：
判别器的损失函数为：
2.2 框架改进
ok，你是否觉得上述的模型讲的很有道理，近乎完美了呢？答案是否定的。咱想想看，如果生成器想要骗过判别器，非常简单就可以做到。因为没有交互过的物品经过mask之后会变成0，那么生成器只要生成全1的向量不就可以了嘛。所以说，只用用户购买过的物品，是不够的，还得通过负采样的技术，增加一定的负样本。即在每次训练迭代过程中，我们随机选择每个用户的未购买过物品的一部分，将其假设为负样本， 然后在训练生成器生成购买向量的时候，使其对应的负样本的值接近0。那么如何结合负采样技术，论文中提出了三种方式：zero- reconstruction regularization (named CFGAN−ZR)、partial-masking (named CFGAN−PM)、hybrid of the two (named CFGAN−ZP)。接下来，我们分别介绍三种方式：
CFGAN−ZR
ZR的方式，就是通过负采样得到一定比例的负样本，对于这些负样本，我们希望预测的分数越接近于0越好。此时G的优化目标变为：
可以看到，对于ZR方式，前面部分的损失函数是没有变动的，即我们没有对mask进行修改。后面相当于增加了一个正则项，避免全1的结果出现。
CFGAN−PM
PM的方式，就是对mask进行修改，放开一些用户没有购买过的物品，这样，D在计算损失的时候会把这部分为交互过的部分加入，同时可以反向传播回G中，因此G不仅学习到在用户在购买过的物品上要得到接近1的输出，还会学习到在没有购买过的部分物品上要得到接近0的输出。此时G和D的损失函数变为：
CFGAN−ZP
ZP的方式便是上面两种方式的结合，G的损失函数变为：
完整的CFGAN-ZP的过程如下：
2.3 迁移到物品角度
迁移到物品角度，非常简单，G的生成目标变为生成物品的购买向量，D的目标变为判别物品的真实购买向量和G生成的物品购买向量。结合负采样的话，同样分为ZR、PM和ZP三种方法。
这样，我们其实一共得到了六种方法，从用户角度出发，我们有uCFGAN_ZR,uCFGAN_PM,uCFGAN_ZP,从物品角度出发，我们有iCFGAN_ZR,iCFGAN_PM,iCFGAN_ZP。后面我们将对比这六种方法的实验效果。
3、模型实验
模型实验主要关注于三个问题：
1）CFGAN模型应用于推荐任务，效果如何？
2）CFGAN模型使用时，最佳的参数设置为多少？
3）与目前state-of-the-art方法比较，CFGAN能够带来多大的提升？
实验选取的数据集包括以下四个：
接下来，我们看下结果。
3.1 模型的有效性
该部分的实验效果如下：
对比我们之前看到的IRGAN和GraphGAN的效果，CFGAN相较于IRGAN准确率提升了72.6%，较GraphGAN提升了104.3%。
3.2 超参数设置对于模型的影响
这里主要的超参数包括ZR和PM方式中，负样本的比例，以及ZR方式中，正则项系数α。结果如下：
3.3 与目前主流推荐方法的比较
这里选取的推荐方法有ItemPop、BPR、FISM、CDAE、IRGAN和GraphGAN。而CFGAN选择iCFGAN−ZP方式。对比结果如下：
可以看到，CFGAN在各个数据集上，都有明显的效果提升。
4、总结
本文介绍了一种通过GAN来进行推荐任务的新思路，与之前结合强化学习的思路如IRGAN和GraphGAN不同，CFGAN更接近于GAN模型，G生成的是用户或者物品的购买向量，D的梯度可以反向传播回给G。该方法解决了IRGAN和GraphGAN中存在的discrete item index generation问题，取得了非常好的实验效果。值得大家阅读！