catfishH的博客

AFM  Attentional Factorization Machines，在 NFM 模型中加入注意力机制，通过加入注意力网络，对不同特征交叉的关注度不同，即在元素积操作中加入注意力得分 aija_{ij}aij​，再进行池化。fAtt=∑(i,j)∈Rxaij(vi⊙vj)xixjf_{Att}=\sum_{(i,j) \in R_{x}}a_{ij}(v_{i}\odot v_{j})x_{i}x_{j}fAtt​=(i,j)∈Rx​∑​aij​(vi​⊙vj​)xi​xj​DIN 

深度学习推荐模型演化方向：1）增加神经网络复杂程度：从最简单的单层神经网络模型 AutoRec，到经典的深度神经网络结构 Deep Crossing，主要的进化方式在于增加了深度神经网络的层数和结构复杂度。2）丰富特征交叉方式：例如改变了用户向量和物品向量互操作方式的 NeuralCF，定义了多种特生向量交叉操作的 PNN 模型。3）组合模型：主要是指 Wide&Deep 模型及其后续变种等，其思路是通过组合两种不同特点、优势互补的深度学习网络，提升模型的综合能力。4）FM 模型的深度学习.

协同过滤算法  从物品相似度和用户相似度角度出发，衍生出物品协同过滤（ItemCF）和用户协同过滤（UserCF），又衍生出矩阵分解模型（Matrix Factorization，MF）。  亚马逊协同过滤论文：Amazon.com recommendations: item-to-item collaborative filteringUserCF1）基于用户对其它商品的历史评价数据，和其他用户对这些商品的历史评价数据，组成共现矩阵（用户为行，商品为列，值为1、0、-1）；2）找到与用户兴趣最相