推荐系统——Neural collaborative filtering

论文描述:

*矩阵分解模型是目前最为流行的一种协同过滤方法,通过用户潜在特征和商品潜在特征的内积重构用户-商品交互矩阵中的未知项,模型简单、易扩展且灵活。但是取得的推荐性能较低。基于矩阵分解的改进方法有,将矩阵分解模型与基于内容的模型相结合,形成混合模型;将辅助信息整合到矩阵分解模型中等。由于深度学习强大的表示学习能力,一些研究开始将深度学习的方法与传统的矩阵分解模型相结合,以提高推荐系统的性能。但是大部分利用深度学习的推荐模型都是将辅助信息整合到了矩阵分解模型中,对于用户-商品的潜在特征表示仍然使用的是矩阵分解的方法。

*我们通过神经网络模型建模协同过滤,模型的训练数据使用的是隐式反馈数据,即,通过观看视频、购买产品和点击商品等行为简介反映用户的偏好。与显式反馈数据,如,评分和评论相比,隐式反馈可以自动跟踪,因此更容易收集。我们提出了一个通用的神经网络框架,Neural network-based Collaborative Filtering(NCF)。文中具体的深度神经过滤模型为,Generalized Matrix Factorization(GMF),Multi-Layer Perceptron(MLP),Neural Matrix Factorization(NeuMF)

 

参考文献:

He X, Liao L, Zhang H, et al. Neural collaborative filtering[C]//Proceedings of the 26th International Conference on World Wide Web. International World Wide Web Conferences Steering Committee, 2017: 173-182.

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值