推荐系统之NeuralCF模型

最新推荐文章于 2025-02-03 16:19:17 发布
最新推荐文章于 2025-02-03 16:19:17 发布
阅读量902 收藏 2
点赞数 1
文章标签： 深度学习 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_38375203/article/details/124962537
版权
NeuralCF模型通过多层神经网络改进矩阵分解，解决特征交叉问题，增强推荐系统的预测能力。该模型引入非线性关系，替换简单的内积运算，提升特征融合效果。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

前言

今天开始整理讲解NeuralCF模型，这个模型相比较AutoRec和DeepCrossing添加了更多特征交叉的想法，前面讲解的AutoRec和Deep Crossing模型是在神经网络的复杂度和层数方面进行的进化，而这两个模型也是使用深度学习从用户和物品相似度的角度来进行系统推荐的， 但是这两个模型在特征交叉这个方面并没有进行很合理的设计，更多的是使用了全连接层来增加了模型的复杂度和使得所有特征进行了一个统一的交叉。这样存在着很大的问题，即两个毫不相关的特征也较交叉在了一起，这就使得对模型权重有所影响。所以为了更好地使两两特征更好的交叉，于是新加披国立大学在2017年提出了基于深度学习的协同过滤模型NeuralCF。其中对AutoRec和DeepCrossing这两个模型有些遗忘的小伙伴可以看看我这篇文章。推荐算法之AutoRec与Deep Crossing模型。

一、关于MF的小知识

NeuralCF这个模型是基于矩阵分解进化而来的，它更多的是解决了矩阵分解中对特征进行简单交叉的方式，用深度学习来进行更深度的特征融合，对矩阵分解也有所遗忘的朋友可以看看我这篇文章--推荐算法之矩阵分解，在这里我就不多做回顾了。在这里多说一句总结的话，对于矩阵分解来说其实就是类似于一个简单的神经网络，其中的隐向量Q和P也就是用户和物品向量的em

最低0.47元/天 解锁文章
Aliert
关注
【王喆-推荐系统】模型篇-(task6)NeuralCF模型
发现问题，并解决问题，批判性思维
11-04 1405
学习心得 （1）首先学习了经典推荐算法协同过滤的深度学习进化版本 NerualCF。相比于矩阵分解算法，NeuralCF 用一个多层的神经网络，替代了矩阵分解算法中简单的点积操作，让用户和物品隐向量之间进行充分的交叉。通过改进物品隐向量和用户隐向量互操作层的方法，增强模型的拟合能力。 （2）利用 NerualCF 的思想，改进出双塔模型。其特点优势： 1）它通过丰富物品侧和用户侧的特征，让模型能够融入除了用户 ID 和物品 ID 外更丰富的信息，ex：YouTube就使用召回层的双塔模型，融入除了用户id和
NeuralCF及双塔模型
anqi3776的博客
02-05 952
NeuralCFNeuralCF 模型的扩展，双塔模型优势：易上线、易服务NeuralCF 的 TensorFlow 实现NeuralCF 的双塔版本 协同过滤是利用用户和物品之间的交互行为历史，构建出一个像图 1 左一样的共现矩阵。在共现矩阵的基础上，利用每一行的用户向量相似性，找到相似用户，再利用相似用户喜欢的物品进行推荐。 输入层是由用户 ID 和物品 ID 生成的 One-hot 向量，Embedding 层是把 One-hot 向量转化成稠密的 Embedding 向量表达，这部分就是矩阵分解中
NeuralCF模型
zhao254014的博客
08-30 2152
利用不同的互操作进行特征的交叉组合， 并可以灵活进行不同互操作层的拼接。
推荐系统5 NeuralCF模型
posuosini的博客
09-22 206
介绍了两个模型，neural cf是mf结果的内积部分改成网络层，neural mf是内积的结果与全连接层的结果进行拼接，再过一个全连接层得到最后的输出
NeuralCF 模型：神经网络协同过滤模型
最新发布
m0_64449391的博客
02-03 1279
NeuralCF 模型由新加坡国立大学研究人员于 2017 年提出，其核心思想在于将传统协同过滤方法与深度学习技术相结合，从而更为有效地捕捉用户与物品之间的复杂交互关系。该模型利用神经网络自动学习用户和物品的低维表示，并通过这些表示实现对用户评分的精准预测。NeuralCF 模型融合了矩阵分解与深度学习两种方法的优势，采用基于神经网络的结构来建模用户与物品间的非线性交互。传统矩阵分解方法通过计算用户与物品隐向量的内积来进行评分预测，而 NeuralCF 则利用多层感知机（MLP）对用户与物品隐向量进行联合建
NeuralCF模型——CF与深度学习的结合
LitraLIN的博客
10-31 5453
1、前言 尽管最近的一些工作已经将深度学习运用到了推荐的任务中，但只是用深度学习给一些辅助的信息建模例如项目中的文字描述或音乐的声学特征等等。在表示用户与项目之间的交互仍然使用矩阵分解德国用内积来建模。本篇论文主要是用多层神经网络给用户和数据之间的交互建模，我们的数据主要是居于隐式反馈（例如购买记录，浏览记录等）在本文中，我们 探讨了如何利用DNN来模拟噪声隐式反馈信号的中心问题。 显示反馈（explicit feedback）：用户直接反映其对产品的喜好信息，如评分等等。 隐式反馈（implicit f
推荐系统实践 0x11 NeuralCF
卢之
12-18 220
前言 这一篇文章我们来谈一下2017年新加坡国立大学提出的基于深度学习的协同过滤模型NeuralCF。我们在之前讲过矩阵分解技术，将协同过滤中的共现矩阵分解成用户向量矩阵以及物品向量矩阵。那么Embedding的思路也是一样的，只不过不是通过矩阵分解的形式，而是通过多层神经网络使用Embedding构造用户隐向量以及物品隐向量。用户隐向量与物品隐向量的內积，就是用户对物品的评分。这个內积的操作，...
推荐算法之NeuralCF
Rocket,Qian的博客
11-25 1685
NCF模型1. 从DeepLearning的角度审视MF模型2. NCF3. NeuralCF 模型的扩展，双塔模型4. NeuralCF的TensorFlow 实现 最近在做一个图书推荐系统的比赛，之前只写了baseline，因为数据集只有用户id，图书id，和交互记录，没有用户基本属性，图书属性，以及上下文信息，所以自然而然想到NCF模型来继续做，所以把NCF核心的原理以及代码实现记录下来。 1. 从DeepLearning的角度审视MF模型 之前已经尝试了经典的推荐算法-协同过滤，以及矩阵分解技术，就
【推荐系统】wide&deep模型、NeuralCF模型 笔记
m0_51933492的博客
09-16 757
Deep：DNN模型，提高模型的泛化能力。Wide：简单的广义线性模型，其特征组合需要人去设计，依赖人工特征工程。注重模型的记忆能力。
[搜广推]深度学习推荐模型（3）——NeuralCF模型
m0_69281817的博客
12-25 323
NeuralCF模型是一种结合了深度学习和协同过滤的推荐系统模型，它通过学习用户和物品的低维向量表示，并利用多层感知器捕捉它们之间的非线性关系，以提高推荐准确性和泛化能力。NeuralCF模型的灵感来自于矩阵分解模型。
neural CF神经系统协同过滤
11-27
神经系统协同过滤 In recent years, deep neural networks have yielded immense success on speech recognition, computer vision and natural language processing. However, the exploration of deep neu- ral networks on recommender systems has received relatively less scrutiny. In this work, we strive to develop techniques based on neural networks to tackle the key problem in rec- ommendation — collaborative filtering — on the basis of implicit feedback.
推荐系统--n--模型NeuralCF
m0_37531129的博客
12-21 800
NeuralCF是对协同过滤的改进。
Neural Collaborative Filtering (NeuralCF)
bbbeoy的专栏
12-16 232
https://blog.csdn.net/qq_48314528/article/details/109400730 https://blog.csdn.net/stalbo/article/details/79431662 https://zhuanlan.zhihu.com/p/160158270
排序层-深度模型-2017：NeuralCF【CF与深度学习的结合】【局限：基于协同过滤的思想进行构造的，没有引入更多其他类型的特征】
u013250861的博客
07-27 460
沿着协同过滤的思路, 发展出了技术，将协同过滤中的共现矩阵分解为用户向量矩阵和物品向 量矩阵。其中，用户u 隐向量和物品i 隐向量的内积，就是用户u 对物品i评分 的预测。沿着矩阵分解的技术脉络，结合深度学习知识，新加坡国立大学的研究 人员于2017年提出了基于深度学习的协同过滤模型NeuralCF。...
【推荐系统】NeuralCF的理解
qq_39321513的博客
02-16 681
GMF模型公式的理解与缺点 NCF还保留着MF的缺点，采用内积的方式计算评分使得预测不准确，模型的表达能力不足（内积的方式过于简单） NCF中的广义矩阵分解GMF部分采用将user和item的embedding先进行元素积，再输入线性层的方式计算分数，本质和MF的内积计算分数差不多，只是在MF的内积的各个元素上赋予了权值而已（推导见下图）。当这些权值为1的时候GMF就退化为MF（在不考虑激活函数的情况下）。 NCF(混合)模型： GMF内积之后的结果和MLP部分的结果拼接送入预测层 GMF和.
推荐系统- NCF（Neural Collaborative Filtering）的推荐模型与python实现
JohnBanana的专栏
06-10 6889
引言： 本文主要表述隐式反馈的基础上解决推荐算法中的关键问题协同过滤。 尽管最近的一些工作已经将深度学习用于推荐系统中，但他们主要将其用于辅助信息建模，例如物品的文字描述和音乐的声学特征。 当涉及到协同过滤建模的关键因素即用户和物品特征之间的交互时，他们仍然致力于使用矩阵分解，并在用户和物品的潜在特征上应用了内积运算。 通过将内积运算替换为可以从数据中学习任意函数的神经体系结构，本文提出了一个名为NCF（Neural network based Collaborati...
NeuralCF-神经协同过滤网络
YCCNUST的博客
06-27 1069
NeuralCF推荐模型
深度学习推荐系统(三)NeuralCF及其在ml-1m电影数据集上的应用
qq_44665283的博客
08-31 1100
深度学习推荐系统(三)NeuralCF及其在ml-1m电影数据集上的应用
NeuralCF 推荐模型
Harrytsz的博客
05-12 492
文章目录一、导包二、读取数据三、特征编码处理四、使用具名元组为特征进行处理五、构建模型5.1 输入层5.2 Embedding层5.3 GML5.4 MLP5.5 输出层5.6 构建模型六、运转模型绘制网络结构图 下图为 NeutralCF 的模型结构图，总共两个分支，第一个分支为GML，第二个为MLP，GML 通路将两个特征的 Embedding 向量进行内积操作，MLP 将两个特征的 Embedding 的向量进行拼接，然后使用多层感知机进行传播，然后将两个通路输出的向量进行拼接，导入全连接层（输出层）
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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