论文阅读笔记：EHCF（异构协同过滤）

论文阅读笔记：EHCF（异构协同过滤）

---

前言

文章题目：Efficient Heterogeneous Collaborative Filtering without Negative Sampling for Recommendation
这是一篇关于推荐系统训练方式设计的文章。
隐式反馈数据的学习方法：
1、非采样策略；将所有未标记的数据作为负样本
2、负采样策略：从未标记的数据中，抽取一部分作为负样本

一、解决的问题

1、提出了一种优化方法，解决了从整个数据中学习神经模型的难题，时间复杂度理想；
2、提出一个新的模型EHCF，以一种迁移的方式（transe）关联每个行为的预测，捕捉不同行为之间的复杂关系。

二、创新点

1、损失函数创新；
2、运用了自然语言处理中的Transe；
3、模型输入创新；

三、模型

1、模型特点

1、输入的是，用户、以及该用户的所有项目交互；
2、不进行采样，从整个数据中学习模型。

2、模型细节

第一层（embedding），user和item通过embedding层转化为稠密向量，输入的是，用户、以及该用户的所有项目交互；

第二层（share -layer），将第一步的embedding加入共享层，为了方便建模所有行为类型；

第三层（transfer-based prediction layer)，不同行为的预测层h(k)应该相互关联；一共有k个行为，为每个行为学习一个预测层h(k)。

第四层（efficient multi-task learning），多任务学习。

公式梳理：
获取user-item的embedding：

采用预测层向量h来对共享层的embedding进行编码。用h(k)表示第k个行为的预测层，用户u对项目v执行行为k的可能性预测：

用知识表示中的迁移机制描述两种行为之间的关系，M是迁移矩阵：

第k个行为的预测层：

加权回归损失：

简化：

计算R(k)的平方：

最终损失函数：

多任务学习，计算最后的损失：

四、实验设计和结果

数据集：beibei，taobao，Movielens-1M
数据预处理：去重，不考虑购买交互少于五次的用户和商品
比较方法：分为两组，单一行为和异构数据；
评估指标：HR、NDGG
实验结果：