Outer Product-based Neural Collaborative Filtering

核心思想： 用外积来构造嵌入维度之间的pair交互。使用多层CNN来提取交互映射间的高阶交互

1 Introduction

设计CF模型的关键:

• 怎样表示用户和物品
• 怎样基于表示构造他们的交互

指出MF的局限性——使用内积：设想嵌入维度之间是独立的；每个维度对预测结果贡献相同。NCF使用多层MLP代替内积来解决这个局限，有一些模型使用用户和物品嵌入concat+多层MLP，元素对应位置相乘等。本文指出这样的设计也很少对嵌入维度间的交互进行建模。虽然MLP可以理论上可以拟合各种连续函数，但是实际情况下，维度间的交互通常很难被MLP学到。

本文使用外积构造嵌入维度之间的交互，这样的交互映射包含丰富的语义信息，能够帮助后续的非线性函数学习嵌入维度间高阶的交互。

2 Proposed Methods

提出了ONCF框架，并且实现了一个具体化实例，ConvNCF

2.1 ONCF

输入和嵌入

按照本文给的嵌入计算方式，不同field的特征嵌入直接相加得到最终的嵌入，所以嵌入是K维。而不是每个field的嵌入concat，得到field数×K的嵌入？？


K，嵌入维度；M，用户特征数量；N，物品特征数量。

交互map

得到K×K的交互map——E。使用外积的好处：

• 包含矩阵分解（只看对角元素）
• 考虑不同嵌入维度之间的相关性，比MF编码了更多信号
• 比concat更有意义，concat保留了嵌入的原始信息，而没有建模任何相关性

[He and Chua, 2017;Beutel et al., 2018]文献表明，对于深度模型适应稀疏数据的问题，显式地对特征嵌入间的交互进行建模很有效，适用concat是次优的。由于E是2D矩阵，可以看做image，就可以使用CV中的先进方法。

隐藏层

目的是从交互映射中提取有用的信号
f 可以是以矩阵为输入，向量为输出的任何函数

预测层

向量为输入，输出预测分

参数空间为 $P,Q,\theta ,w$，分别为两个嵌入；隐藏层 f 的参数；预测层的参数。

采用BPR损失函数：

对于所有的训练样本对，增大 $w$ 都可以扩大 ${\hat{y}}^{}$