WWW2017 Neural Collaborative Filtering

Neural Collaborative Filtering

主要思想：
作者使用神经网络解决推荐中的协同过滤问题，使用多层感知机学习用户-物品的交互函数，使用神经网络代替矩阵分解中的点乘

文章的主要贡献：
1.使用神经网络结构建模用户物品的潜在特征，并基于神经网络结构提出了一个通用的框架NCF
2.证明MF是NCF的一种特殊化形式，NCF使用多层感知机建模高层次的非线性特征
3.在两个真实的数据集上论证了NCF的有效性

模型结果结构：

通用框架：
输入层是用户物品的one-hot表示，
embedding层是将其映射为低维稠密向量
Neural CF Layers将用户、物品的向量表示通过多层感知机进行交互
输出层为预测的评分，通过最小化预测值和真实值之间的平方损失进行模型的训练

整体框架：
交互部分分为GMP MLP两部分

损失函数：

实验：
数据集：

评估方法：
留一法，最后一次交互用于测试，其它数据用于训练，评估时为用户随机采样100个未交互的项和测试项一起排序，使用 Hit Ratio(HR) 和 Normalized Discounted Cumulative Gain (NDCG）进行性能的评估

实验结果：
在不同向量维度下的结果：

不同Top-k下的结果：
是否预训练的影响：

训练损失和推荐性能的结果可视化：
负采样个数的影响：
两个数据集下MLP不同层数结果的探索：


总结：
1.使用多层感知机构建用户物品新的交互形式
2.矩阵分解和多层感知机使用不同的参数，参数量增多