推荐系统遇上深度学习(三十三)--Neural Attentive Item Similarity Model

论文名称：《NAIS: Neural Attentive Item Similarity Model for Recommendation》
论文地址：https://arxiv.org/pdf/1809.07053.pdf

基于物品的协同过滤ItemCF是推荐领域常用的方法，其关键是评估item之间的相似性。本文将要介绍Neural Attentive Item Similarity Model(简称NASI)来解决ItemCF问题。该模型将注意力机制和神经网络相结合，提升了模型的预测准确性。接下来，我们将从基本的ItemCF问题入手，一步步得出NASI模型。

1、ItemCF问题简介

1.1 标准ItemCF问题

为了预测用户u对于物品i的评分，ItemCF的最基本思想是计算物品i与用户u之前交互过的所有物品的相似性，预测评分计算公式如下：

其中，R_u⁺是用户所有交互过的物品，r_uj是用户u对物品j的反馈，s_ij是物品i和物品j的相似性。其中，r_uj可以是显式的评分，如0-5评分，也可以是隐式的反馈，如点击为1，未点击为0。

物品之间的相似性，直观的方法是根据用户-物品交互矩阵，将物品i所在的列作为其向量表示，进一步使用余弦相似度等度量方式计算物品之间的相似性。但是这种方法缺乏针对推荐的优化，类似于一种静态方法，物品的向量不是通过优化得到的。因此性能并不是那么优秀。所以接下来我们将介绍Learning-based Methods，这些方法可以自适应地从数据中学习item相似度，从而提高itemCF的准确性。

1.2 Learning-based Methods for Item-based CF

Learning-based Methods通过优化一个目标函数，来学习item之间的相似性，如SLIM(short for sparse Linear Method)方法中，目标函数设定为：