一种提高协同过滤模型稳定性的方法，由于产品的视觉外观对消费者的抉择有着越来越重要的影响，产品视觉特征在推荐中越来越受到关注。利用新的网络结构BDN(Brain‑inspired Deep Network)提取的美学特征相较于从传统卷积神经网络提取用来表示图像的CNN特征，对于推荐系统能起到更好的推荐效果。但并未有学者研究过美学特征对于推荐算法鲁棒性的影响，因此本发明中我们主要就随时间变化的美学因子是否会影响模型的鲁棒性展开。我们通过对模型动态美学因子嵌入式矩阵加对抗性扰动发现其会使模型鲁棒性下降，在此前提下，采用对模型进行对抗性训练的方式进行改善，增强了原有模型的鲁棒性和泛化能力。
柿子坊 · 知识产权运营
柿子坊知识产权运营平台