- 1.宏观模型
DMF=数据预处理过程(对implicit feedback进行IFE编码、对side information 进行独热编码,两者用于生成users、item information pools)+DMF模型(1⃣️目标user、item信息从users、item information pools中挖掘出来 2⃣️通过特征转换函数生成user、item的隐因子 3⃣️ 预测的rating通过隐因子计算出来)
- 2.IFE(implicit feedback embedding)的定义
ps:本文中的implicit feedback graph是无权无向图、只包含了positive feedback
IFE的目标是将每一个user、item都映射成为k维向量
IFE计算概率:
由于之前提到的本文中的implicit feedback graph只有positive feedback,所以negative feedback的计算方式直接通过以下方式计算:
likelihood function就是对每个user和item的计算结果进行求和:
对数likelihood function形式如下:
根据最大似然估计(MLE)规则,通过最大化公式(4)可以求得users和items的embedding!
- 3.综合说明data preparation部分
users和items1的side information直接通过独热编码的方式求出。
最终信息的提取部分是各个信息的综合:
(DMF有综合多种信息的能力,本文中暂时是使用了IFE+side information的综合)
- 4.DMF模型定义
最小化E_DMF.
(DMF架构,注意F_u,F_v的维数需要一致)中间是MLP(绿色与褐色部分)
(MLP的定义示例)其中m是指dropout mask,这里定义了l层MLP.
- 5.优化与参数定义
明天上午更新~