深度协同过滤算法

 写在前面

• 论文：Neural Collaborative Filtering
• 原文：https://dl.acm.org/citation.cfm?id=3052569
• 代码：https://github.com/hexiangnan/neural_collaborative_filtering
• 论文作者主页：https://www.comp.nus.edu.sg/~xiangnan/

协同过滤算法作为推荐中应用最为广泛的算法，一直是研究的热门领域。随着近些年深度学习的崛起，很多学者开始尝试用深度学习中的技术优化协同过滤，但是大多数都是利用深度学习建模提供一些辅助信息，比如项目的文本描述或者音乐的声学特征。这篇论文提出了一个采用多层感知器来学习user与item的交互的通用框架NCF，它可以取代传统用矩阵分解求内积建模的方法。

这篇论文是新加坡国立大学的何向南博士在IW3C2 2017上的工作成果。何博士的论文一般都公布代码，非常适合学习。

相关工作

传统的协同过滤算法是基于矩阵分解（Matrix Factorization）的方法，它的基本思想是把用户和项目映射在一个shared latent space中，然后通过latent features来描述用户和项目。那么用户在项目上的交互就被建模为他们向量之间的内积。这种方法非常普遍，包括在Spark MLli