Neural Collaborative Filtering - 学习笔记

最新推荐文章于 2022-11-16 00:04:27 发布
最新推荐文章于 2022-11-16 00:04:27 发布
阅读量526 收藏 9
点赞数
分类专栏： 推荐系统 文章标签： 机器学习 人工智能 深度学习 推荐系统
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Karty9/article/details/118378823
版权
本文介绍了深度学习在推荐系统中的应用，特别是Neural Collaborative Filtering（NCF）模型。NCF通过DNNs替代传统矩阵分解方法，解决了MF模型的局限性，能够更好地处理隐式反馈数据。模型包括Neural collaborative filtering framework和Neural matrix factorization model，其中GMF是MF的扩展，MLP则通过自动特征交叉增强模型能力。预训练策略虽有提升但不大，NCF为推荐系统的发展开辟了新方向。
摘要由CSDN通过智能技术生成

介绍

深度学习未兴起时，传统矩阵分解(Matrix Factorization)是推荐领域中的一种经典方法，基本做法是：

  1. 把用户和商品映射到隐向量空间，用向量表示。
  2. 通过内积，来表示向量之间的相似性。

作者认为，通过内积来表示向量相似性的做法过于简单，有时候会出现错误，限制了模型的泛化能力。文中的一个例子：
在这里插入图片描述
对于(a)中的交互矩阵，用 s s s表示用户之间的相似度，可以明显得看出
s 23 ( 0.66 ) > s 12 ( 0.5 ) > s 13 ( 0.4 ) s_{23}(0.66) > s_{12}(0.5) > s_{13}(0.4) s23​(0.66)>s12​(0.5)>s13​(0.4)

这也体现在(b)中 p 1 、 p 2 、 p 3 p_1、p_2、p_3 p1​、p2​、p3​的夹角大小。当你在 ( a ) (a) (a)中把 u 4 u_4 u4​考虑进去时，会得到：
s 41 ( 0.6 ) > s 43 ( 0.4 ) > s 42 ( 0.2 ) s_{41}(0.6) > s_{43}(0.4) > s_{42}(0.2) s41​(0.6)>

最低0.47元/天 解锁文章
不学无术的小镇做题家
关注
  • 0
    点赞
  • 踩
  • 9
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Neural Collaborative Filtering
Dive的博客
01-06 1608
目录2 PRELIMINARIES3. NEURAL COLLABORATIVE FILTERING3.1 通用框架3.2 广义矩阵分解(GMF)3.3 MLP3.4 GMF和MLP的聚合—NeuMF4 EXPERIMENTSQ1 NCF的效果比其他SOTA的隐式CF好吗？Q2 带有负采样的log loss（这个优化框架）是否适用于RS？Q3 更深的网络对于从交互数据中学习 有帮助吗？ 核心：内积的局限性，用神经结构代替内积。实验表明，使用更深层次的神经网络提供了更好的推荐性能。 2 PRELIMINAR
【翻译】Neural Collaborative Filtering--神经协同过滤
weixin_30505225的博客
04-22 2000
【说明】 　　本文翻译自新加坡国立大学何向南博士 et al.发布在《World Wide Web》（2017）上的一篇论文《Neural Collaborative Filtering》。本人英语水平一般+学术知识匮乏+语文水平拙劣，翻译权当进一步理解论文和提高专业英语水平，translate不到key point还请见谅。 何博士的主页：http://www.comp.nus.edu.sg...
【论文阅读】Neural Collaborative filtering
欢迎来到小丁的技术空间
05-14 1061
Neural Collaborative filtering(WWW 2017) 何向南，主页 http://staff.ustc.edu.cn/~hexn/ GitHub：https://github.com/hexiangnan/neural_collaborative_filtering
Neural Collaborative Filtering      
ChristineC_的博客
02-24 385
时间：2017.08.26 作者：Xiangnan He, Lizi Liao, Hanwang Zhang, Liqiang Nie, Xia Hu, Tat-Sent Chua Abstract 以往deep learning模型只用在content information上，比如描述商品的文字、音乐、图片，对于用户、物品的交互信息，用的还是MF（隐向量之间的点乘）来学习。而NCF在im...
Neural Collaborative Filtering.pdf
11-29
在介绍《Neural Collaborative Filtering》这篇论文的知识点之前，需要明确几个核心概念。首先是“协同过滤”（Collaborative Filtering，简称CF），它是推荐系统中常用的技术，通过分析用户与物品之间的交互行为，...
Neural Collaborative Filtering神经协同过滤1
08-03
Neural Collaborative Filtering神经协同过滤 Neural Collaborative Filtering（NCF）是一种基于神经网络的协同过滤算法，旨在解决推荐系统中的关键问题，即协同过滤问题。传统的协同过滤算法主要基于矩阵分解和内...
蔡氏电路matlab仿真代码-Neural-Collaborative-Filtering:硬2.1.4/张量流1.7.0
05-26
蔡氏电路matlab仿真...Neural-Collaborative-Filtering Xiangnan He, Lizi Liao, Hanwang Zhang, Liqiang Nie, Xia Hu and Tat-Seng Chua (2017). In Proceedings of WWW '17, Perth, Australia, April 03-07, 2017.
推荐系统Neural Collaborative Filtering神经协同过滤
04-12
Neural Collaborative Filtering这篇论文的Neural matrix factorization模型，模型的参数可以自行调整。
NCF(Neural Collaborative Filtering)——协同过滤与神经网络的结合
很吵请安静
06-13 2538
Neural Collaborative Filtering paper 关于协同过滤 协同过滤简而言之就是物以类聚人以群分，在真实场景中，通常会获得一张用户物品交互表，其实就是一个矩阵M，M[i][j]=1M[i][j]=1M[i][j]=1则表示用户iii购买了物品jjj，=0=0=0表示没有购买。主要分为以下两种： user-based协同过滤 ...
【推荐系统论文精读系列】(五)--Neural Collaborative Filtering
CSDN 精品推荐
11-14 1507
文章目录Neural Collaborative Filtering一、摘要二、介绍三、准备知识3.1 从隐式数据中进行学习3.2 矩阵分解四、神经协同过滤4.1 总体框架4.1.1 学习NCF4.2 广义矩阵分解（GMF）4.3 多层感知机（MLP）4.4 GMF与MLP的融合4.4.1 预训练REFERENCES Neural Collaborative Filtering 一、摘要 近年来，深度神经网络在语音识别、计算机视觉和自然语言处理方面取得了巨大的成功。然而，深度神经网络在推荐系统上的探索相对较
Neural Collaborative Filtering(NCF) 学习笔记
weixin_43951296的博客
11-16 455
NCF
Neural Collaborative Filtering--神经协同过滤
derder的博客
08-16 341
Neural Collaborative Filtering--神经协同过滤1 摘要这项工作的主要贡献如下2 准备工作2.1 学习隐性数据2.2矩阵分解3. 神经协同过滤3.1 通用框架3.1.1 NCF学习3.2 广义矩阵分解3.3 多层感知机（MLP）3.4 结合GMF和MLP3.5 预训练4. 实验4.1 实验设置4.2 性能比较(RQ1)4.2.1 预训练的作用4.3 对消极采样使用Log Loss(RQ2)4.4 Is Deep Learning Helpful? (RQ3) 1 摘要 近年来，深
神经协同过滤Neural Collaborative Filtering(NCF)
Super_cute_的博客
08-17 2320
Neural Collaborative Filtering简述矩阵分解（MF）NCF1.GMF 广义矩阵分解2.MLP（多层感知机）3.NeuMF实验 简述 这篇论文是何向南博士所写 论文地址：http://www.comp.nus.edu.sg/~xiangnan/papers/ncf.pdf 翻译链接：https://www.cnblogs.com/HolyShine/p/6728999.html 本文主要讨论隐式反馈协同过滤。先说明了传统MF方法的局限性，然后提出了一种通用框架NCF并提出了三种实现
推荐系统——Neural collaborative filtering
manduner的博客
07-18 1602
论文描述： *矩阵分解模型是目前最为流行的一种协同过滤方法，通过用户潜在特征和商品潜在特征的内积重构用户-商品交互矩阵中的未知项，模型简单、易扩展且灵活。但是取得的推荐性能较低。基于矩阵分解的改进方法有，将矩阵分解模型与基于内容的模型相结合，形成混合模型；将辅助信息整合到矩阵分解模型中等。由于深度学习强大的表示学习能力，一些研究开始将深度学习的方法与传统的矩阵分解模型相结合，以提高推荐系统的性能...
论文笔记：Neural Graph Collaborative Filtering
qq_44015059的博客
07-20 1222
前言 论文链接：https://arxiv.org/abs/1905.08108 github：https://github.com/talkingwallace/NGCF-pytorch 参考：https://www.jianshu.com/p/16c8973ef8ff https://zhuanlan.zhihu.com/p/110682271 https://blog.csdn.net/weixin_37913042/article/details/99712729 CF方法： 协同过滤学习模型从项
Neural Collaborative Filtering【论文记录】
Novelin的博客
12-03 244
把用户和物品的 Embedding 视为隐向量 输入到神经网络 GMF 是线性模型和 MLP 非线性模型结合
neural collaborative filtering
最新发布
03-16
神经协同过滤（Neural Collaborative Filtering）是一种基于神经网络的协同过滤推荐算法，能够利用用户历史行为和物品信息来预测用户对未知物品的评分或喜好程度。与传统的协同过滤算法不同，神经协同过滤引入了神经网络来学习用户和物品的隐含表示，从而更好地捕捉它们之间的复杂关系，提高了推荐的准确性和效果。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值