神经协同过滤笔记

在解决在含有隐形反馈的基础上进行推荐的关键问题----协同过

协同过滤：对用户对项目的偏好进行建模，就是所谓的协同过滤
矩阵分解MF
论文贡献
　　1、我们提出了一种神经网络结构来模拟用户和项目的潜在特征，并设计了基于神经网络的协同过滤的通用框架NCF。

2、我们表明MF可以被解释为NCF的特例，并利用多层感知器来赋予NCF高水平的非线性建模能力。

3、我们对两个现实世界的数据集进行广泛的实验，以证明我们的NCF方法的有效性和对使用深度学习进行协作过滤的承诺。
名词解释：

内积：点积，数量积

数学解释：两个向量a = [a1, a2,…, an]和b = [b1, b2,…, bn]的点积定义为a·b=a1b1+a2b2+……+anbn。
通俗理解：使用矩阵乘法并把（纵列）向量当作n×1 矩阵，点积还可以写为a·b=a^{T*b，这里的a}T指示矩阵a的转置。
矩阵的内积参照向量的内积的定义是 两个向量对应分量乘积之和.
比如: α=(1,2,3), β=(4,5,6)
则 α, β的内积等于 14 +25 + 36 = 32
α与α 的内积 = 11+22+33 = 14.

拓展资料：内积（inner product），又称数量积（scalar product）、点积（dot product）是一种向量运算，但其结果为某一数值，并非向量。其物理意义是质点在F的作用下产生位移S，力F所做的功，W=|F||S|cosθ。
在数学中，数量积（dot product; scalar product，也称为点积）是接受在实数R上的两个向量并返回一个实数值标量的二元运算。它是欧几里得空间的标准内积。 两个向量a = [a1, a2,…, an]和b = [b1, b2,…, bn]的点积定义为： a·b=a1b1+a2b2+……+anbn。 使用矩阵乘法并把（纵列）向量当作n×1 矩阵，点积还可以写为： a·b=a*b^{T，这里的b}T指示矩阵b的转置。

Jaccard相似系数

Jaccard index , 又称为Jaccard相似系数（Jaccard similarity coefficient）用于比较有限样本集之间的相似性与差异性。Jaccard系数值越大，样本相似度越高。

库与框架：

库和框架都是一种有别于软件、面向程序开发者的产品形式。正因为如此，也有很多人误以为库就是框架，或者认为指定语言的库就是框架。是将代码集合成的一个产品，供程序员调用。面向对象的代码组织形式而成的库也叫类库。面向过程的代码组织形式而成的库也叫函数库。在函数库中的可直接使用的函数叫函数。开发者在使用库的时候，只需要使用库的一部分类或函数，然后继续实现自己的功能。框架则是为解决一个(一类)问题而开发的产品，框架用户一般只需要使用框架提供的类或函数，即可实现全部功能。可以说，框架是库的升级版。开发者在使用框架的时候，必须使用这个框架的全部代码。 框架和库的比较可以想像为:

假如我们要买一台电脑。框架为我们提供了已经装好的电脑，我们只要买回来就能用，但你必须把整个电脑买回来。这样用户自然轻松许多，但会导致很多人用一样的电脑，或你想自定义某个部件将需要修改这个框架。而库就如自己组装的电脑。库为我们提供了很多部件，我们需要自己组装，如果某个部件库未提供，我们也可以自己做。库的使用非灵活，但没有框架方便。

MF

协同过滤：

协同大家的反馈，评价和意见一起对海量的信息进行过滤，从中筛选出目标用户可能感兴趣的信息的推荐过程

利用相似函数，借鉴和用户相似的用户商品进行推荐：主要使用的是相似函数：sim（i，j），余弦相似度，皮尔逊相关系数

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-TDTdMgF2-1682756429804)(E:\qq下载\2837683881\FileRecv\MobileFile\IMG_20230411_195444.jpg)]

矩阵分解：

用户和物品的隐向量是通过分解协同过滤生产的共现矩阵得到的;这也是’矩阵分解‘名字的由来。

将U*I矩阵进行矩阵分解，为M=m * k，N=n * k，k为自定义的维度，k越大表达能力越强，但是其泛化能力越弱。M，N矩阵的数为随机数，之后利用损失函数，看估计值与实际差距。之后再利用梯度下降进行更新参数。也是和协同过滤相同，利用户和物品的相似度进行推荐。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-IUP5ZBhP-1682756429805)(E:\qq下载\2837683881\FileRecv\MobileFile\qq_pic_merged_1681214851791.jpg)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-lNKS3f9a-1682756429808)(E:\qq下载\2837683881\FileRecv\MobileFile\qq_pic_merged_1681214836621.jpg)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Iw3nEPkd-1682756429810)(E:\qq下载\2837683881\FileRecv\MobileFile\qq_pic_merged_1681214820098.jpg)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-lSgyYoXU-1682756429812)(E:\qq下载\2837683881\FileRecv\MobileFile\IMG_20230411_200625.jpg)]

似然函数

似然函数在 推断统计学 （Statistical inference）中扮演重要角色，如在 最大似然估计 和费雪信息之中的应用等等。. “似然性"与"或然性"或” 概率 "意思相近，都是指某种事件发生的可能性，但是在 统计学 中，"似然性"和"或然性"或"概率"又有明确的区分。. 概率 用于在已知一些参数的情况下，预测接下来的观测所得到的结果，而似然性则是用于在已知某些观测所得到的结果时，对有关事物的性质的参数进行估计。.

偏执向量

首先从