推荐系统在人们的生活中越来越普及,已经成为了研究的热点。为了准确地建模用户的偏好,大量的已有研究工作主要关注于构建更复杂的推荐模型或者引入用户社交关系、物品属性等辅助信息。相比之下,从数据本身的质量与模型训练的控制角度出发的研究则相对较少,而这些因素对于推荐效果也有着重要影响,主要体现在以下两个方面。第一,推荐系统的训练数据由系统中的用户提交,难免存在较多的噪声,相比于那些精准的标注训练数据,数据质量问题可能会影响推荐模型的效果。第二,已有研究工作表明经过常规训练过程得到的推荐模型其用户/物品隐向量质量不高,容易导致模型泛化能力不足。针对数据质量问题,现有工作主要使用一些异常检测方法来帮助过滤噪声数据,这类工作没有显式地考虑检测出来的噪声数据对推荐效果的影响。针对模型训练问题,现有工作表明将对抗训练技术应用到一些推荐模型的训练过程中能够提升模型的泛化效果,然而,现有工作使用对抗训练采用固定的扰动强度,学习曲线不够平滑。因此,对于数据质量问题本文显式地考虑训练数据对模型推荐效果的影响,而对于模型训练问题本文借助课程学习思想考虑使用多种对抗扰动强度进行对抗训练。具体而言,本文的主要内容如下:●基于数据调试的推荐。本文提出了一种针对推荐系统的数据调试方法,能够定位出训练数据中影响整体推荐效果的数据,进而编辑这些数据提高训练得到的模型的推荐效果。实验结果说明,在两个评分数据集上,本文提出的方法都可以通过编辑原始训练数据的方式显著提升推荐效果。●基于课程对抗训练的推荐。本文提出一种基于课程对抗训练的推荐方法,让模型依次在不同扰动强度下进行对抗训练,能够充分发挥对抗训练的作用,从而提高模型的推荐效果。实验结果说明,在两个隐式反馈数据集上,本文提出的方法相比只在一种对抗扰动强度上进行对抗训练,能够取得更好的推荐效果。●面向电影推荐的原型推荐系统。为了验证以上技术的合理性和可行性,本文还针对电影推荐场景,应用以上提出的技术设计与实现了一个原型推荐系统。