目录
核心: 内积的局限性,用神经结构代替内积。实验表明,使用更深层次的神经网络提供了更好的推荐性能。
2 PRELIMINARIES
隐反馈交互
目标函数分为ponit-wise和pair-wise loss:
- ponit-wise,最小化预测值和实际值之间的差距,预测rmse,二分类Logloss
- pair-wise,最大化正样本和负样本之间的差距,bpr, margin-based loss等
矩阵分解可以看作隐表示的加和,每个维度的贡献相同
内积的局限性例子,p4和p1最接近,然后是p3,最后是p2;但是p4和p1靠近之后,会改变p2、p3对于p4的相似性,距离与真正相似性不符合。解决这个问题的一个方法就是增大隐表示的维度,但是会破坏模型的泛化性(个人认为就是造成过拟合),本文通过使用DNN来学习交互函数来解决这个限制。
3. NEURAL COLLABORATIVE FILTERING
3.1 通用框架
输入都只含用户和物品的id,通过嵌入来得到对应的表示,还可以用content来获取用户或者物品的表示,以此解决冷启动问题。NCF层的每一层都可以定制,用以发现用户-项目交互的某些潜在结构。最后一个隐藏层X的维数决定了模型的能力。
NCF的形式化表示为:
前面两项表示 用户表示和物品表示;后面三项表示用户嵌入表、物品嵌入表、参数
使用ponitwise的损失函数: