1.GAN和推荐系统融合问题：
（选自论文APL）
- 对抗角度：GAN容易梯度消失，更新不稳定。而数据的稀疏性会降低对抗训练的性能。
- 推荐角度：离散型项目的生成问题。GAN生成时为可微分值设计的，离散型无法使用梯度下降进行优化。为了解决这个问题，解决此问题有两方面的工作。SeqGAN（Yu Zhang，Wang，＆Yu，2017）将离散数据生成动作视为随机策略，并应用策略策略（Sutton et al。，2000）来估计生成器梯度。另一种方法（Jang，Gu，Poole，2017;Maddison，Mnih，Teh，2017）使用可微过程模拟离散项目生成过程，并通过反向传播直接优化模型。
2.发展历程
- 2017年满分论文IRGAN，是首个将GAN应用于推荐系统当中的。最开始提出的目的是统一检索领域的两大模型。生成器预测和查询最为相关的文档，判别器判别送过来的两个文档和查询的相关性。
- 2018年8月SIGIR上发表的APR改进了BPR（Bayesian Personalized Ranking）。GAN的对抗思想融合到BPR中，在模型中加入扰动（根据FGSM算法），最终提高了模型的鲁棒性。
- 2018年10月CIKM上发表的CFGAN。 解决了IRGAN中的一些问题，并对协同过滤进行了优化。CFGAN重点关注在那些“购买”的商品，即框架丢了部分生成器生，用户实际上未购买的物品。解决了disctete item index genneration的局限性。如：物品1，被标记未真实数据，但又被标记未生成数据。判别器会收到干扰，使性能下降。
- 2019年3月在ScienceDirect上的APL提高了对抗学习的稳定性和收敛效果。与IRGAN不同，IRGAN解决离散项目生成使用的使SeqGAN中提到的策略梯度算法。APL使用的是用可微程序模拟离散项目生成，并通过反向传播优化模型。
- 2019年Rescys上发表的Adversarial Attacks on an Oblibious Recommender 从机器学习优化角度重新审视了对推荐的对抗攻击。假设推荐系统不知道攻击者的存在，攻击者知道推荐系统的损失函数以及参数表示，但是不知梯度。利用GAN的生成器生成虚假的交互矩阵来保留用户的评分分布。并且使用投影梯度下降法来解决梯度问题。
- 2019年，AugCF通过对数据扩充来缓解协同过滤中的稀疏性问题。比较巧妙地是AugCF的判别器有两个过程：1）生成器生成数据，判别器判断数据真假；2）生成器固定，训练判别器，判别器预测用户喜欢活着不喜欢的东西。该方法也是用了Gumbel-softmax方法解决离散抽样问题。（与APL中解决方法一致）
- 2019年RAGAN（BT）通过数据填充来缓解稀疏性问题。着重解决的是，数据填充过程中，评级偏差的影响（算是OCCF问题：仅给出积极例子的协同过滤。只有正反馈无负反馈）。因为一般人们会给喜欢的进行评分，所以评分数据可能都比较高，影响填充效果。因此使用CDAE挑选负反馈样本，之后再用GAN进行数据增强，最后在使用AutoRec方法进行推荐。这也是提出方法的步骤。
