文献总结（2）A Neural Collaborative Filtering Model with Interaction-based Neighborhood

算法思想

本文提出了一种基于递归神经网络（RNN）的协同过滤新方法。 LSTM 等递归神经网络是解决序列预测问题的强大工具，适合捕捉用户兴趣的变化。将用户对item的评分顺序考虑到推荐中（如用户对item的评分顺序依次为item-A、item-B、item-C等），本文将协同过滤重新定义为序列预测问题，即可将LSTM用于推荐系统中。

将协同过滤视为一个序列预测问题，并且鉴于这种解释，递归神经网络提供了较好的方法。本文研究了如何将长短期记忆 (LSTM) 应用于协同过滤，以及它如何与电影推荐中的标准最近邻和矩阵分解方法进行比较。实验结果表明 LSTM 在各个方面都具有竞争力，并且在项目覆盖率和短期预测方面优于其他方法。

1、将协同过滤看做一个序列问题：

考虑用户在时间t之前对item的交互和时间t之后对item的交互信息的不同，在传统的推荐算法中，并没有考虑短期预测（接下来会做什么）和长期预测（最终会做什么）问题，都是将预测问题统一当做长期预测来进行处理，当用户首先与物品item-A进行交互，再与item-B进行交互，又与item-C进行交互，这里的顺序信息就可以考虑到推荐系统之中。

2、将长期记忆网络变成短期记忆网络可以增加预测的多样性

训练推荐系统以优化短期而非长期预测的一个额外作用是它增加了推荐的多样性。虽然没有正式的证明，但推理如下：正确的短期预测是正确的长期预测的子集；因此，任何给定的项目在长期预测方面对更多用户来说都是正确的预测，而不是在短期预测方面；结果是，与做出正确的短期预测相比，为给定百分比的用户做出正确的长期预测所需的项目更少。

数据集：Movielens 1M、Netflix

对比算法：Markov chain、User-based nearest neighbors、BPR-MF

对比结果：

在不同的数据集上，将LSTM结合到CF中会有明显的性能提升效果。