陈 海，钱付兰，陈 洁，赵 姝，张燕平

1.安徽大学 计算机科学与技术学院，合肥230601

2.安徽大学 计算智能与信号处理教育部重点实验室，合肥230601

近年来，深度学习[1]模型在图像分类领域的能力得到了指数级的提升，并成为人工智能领域的主要研究方向。然而在图形图像领域中存在深度学习模型鲁棒性的问题，即已经训练好的深度学习模型由于数据中少量噪声的干扰，可能会造成图像分类或者预测结果的较大偏差。这主要是由深度学习方法本身的局限性造成的。近年来，不少学者将深度学习方法应用到推荐系统中，推荐系统中也存在由于深度模型缺乏抗噪能力导致的推荐偏差问题。数据中含有噪声是现实系统或者环境中不可避免的事实，如何减少噪声对推荐结果的影响，设计具有抗噪能力的深度推荐模型，也成为当前推荐系统的研究问题。

学者们为了减少噪声影响和提升抗噪能力，提出了一系列的深度学习推荐算法。Wang 等人[2]提出了ATMBPR（Adversarial Training-based Mean Bayesian Personalized Ranking）模型，该模型是基于贝叶斯个性化排序来执行Top-N推荐任务，通过对抗训练MBPR 算法来最小化噪声，进而提高算法的鲁棒性。He等人[3]提出了一种对抗性个性化排序算法，在此算法上引入一个额外的目标函数来量化模型在参数扰动下的损失，使得模型更具鲁棒性。Yuan 等人[4]提出了一种对抗协同自编码器模型，通过在模型中增加噪声嵌入权重矩阵来优化模型，从而平滑由于用户评价不准确所带来的自然噪声干扰。……