推荐系统与深度学习（九）——NCF模型原理

公众号后台回复“图书“，了解更多号主新书内容

作者：livan

来源：数据python与算法

NCF原理

随着深度学习的推广，一些近期的研究将深度学习应用到了推荐中，然而很多工作都是将深度学习作为辅助工作，比如提取文本和图像的特征，而对于推荐的关键特征处理，user特征和item特征的交互，仍使用MF的思想。

NCF的作者利用深度学习来对user和item特征进行建模，使模型具有非线性表达能力。具体来说是使用多层感知机来学习user-item交互函数，进而得出结果值。

这一模型解决的问题主要是隐性反馈的问题，先了解两个概念，即：

显性反馈：用户明确表示对某物品喜好的行为，比如评分、购买等；

隐性反馈：不能明确反应用户喜好的行为，比如浏览日志、访问行为等；

如果把用户对物品有交互，记为1，否则记为0，则可得到如下公式：

问题来了～

交互行为是否代表喜好？未必～

这就对隐性反馈提出了挑战，因为他提供了关于用户喜好的噪声。

如何处理这个噪声？

传统的方式是用MF矩阵，即计算用户相关性和用户对物品偏好，进而得出推荐值。

但是这一方法由于只是对浅层特征做处理，结果就是存在比较大的偏差。

例如：

假设有三个用户u1，u2，u3，对应的矩阵如（a）图，我们计算出了三个用户对应向量为（b）图：p1，p2，p3，Jaccard相似系数为：s23(0.66)>s12(0.5)>s13(0.4)。

如果我们添加一个用户u4，得到相似系数为：s41(0.6)>s43 (0.4)>s42(0.2)，表示u4最接近u1，然后u3，最后u2，等将p4画到（b）图时，发现问题了，在p4接近p1的过程中，p4与p2、p3的距离始终是p2<p3。于是矛盾出现了，引发比较大的排名误差。

解决这一问题的方法即增加隐式因子，将特征投射到更高维度，在高维上切分特征距离。然而这一方案可能对模型的泛化能力产生不利影响，容易引发过拟合。

基于这样的问题，大佬们研发出了NCF和LFM（隐语义模型），将深度学习和隐语义纳入到MF矩阵中，完成对高维度的训练和融合。

LFM在前文中做了描述，本文重点了解一下NCF模型，并在最后给出了两个模型的差异。

NCF模型

为了便于理解，NCF作者给出了NCF模型的基本图形结构为：

   在这一模型的基础上，论文给出了一个较为复杂的模型：

   这一模型主要分三部分：

1） GMF部分：

GMF被称为广义矩阵分解，user和item都通过one-hot编码得到稀疏向量，然后通过一个embedding层映射为user vector和item vector。这样就获得了user和item的隐向量，用于GMF的计算。

对应的输出公式为：

2） MLP部分：

MLP是一个多层神经网络，主要是要学习出MF矩阵中的高维隐向量，MLP计算时也存在一个vector向量化的问题，关键来了，这个vector与GMF中的向量vector并不一样，因为模型对vector的模型要求不一样。

Vector构建完成后，基于多模态的计算思路，拼接各个向量，投入到DNN中，完成深度学习的运算。

其对应的模型逻辑为：

3） NeuMF部分：

结合GMF和MLP，得到的就是第三种实现方式，上图是该方式的完整实现，输出层的计算公式为：

集成模型中一般对最后一层的输出结果进行加权，NCF模型将其换成倒数第二层，就变成了“特征”融合，最后的performance肯定也是大不相同的，效果会好一些。

NCF模型与LFM模型的区别

   1）LFM通过隐特征将用户与物品联系起来，求解能最大似然联系用户和物品的隐空间的特征表达，而NCF使用NN来学习用户和物品的交互函数，其中包括隐特征的求解过程（one-hot到隐特征的映射关系）；

   2）LFM是隐语义模型，通过矩阵分解法进行计算，求解的是用户-隐类矩阵和物品-隐类矩阵，而NCF求解得到的是一个模型；

   3）LFM只能根据两个矩阵，计算已出现的用户和已出现但没评分的物品的评分，只能填补原先用户-物品矩阵的空白，NCF的模型是通用的，可以计算新用户和新物品；

   4）LFM只考虑了各隐类间的线性关系，隐类间一般都是非线性关系的尤其是在隐类数较少的时候；NCF结合一个推广的矩阵分解GMF，考虑各隐类间的线性关系的同时，还使用MLP来学习用户和物品间潜在特征之间的非线性关系，非常灵活。

◆ ◆ ◆  ◆ ◆
麟哥新书已经在京东上架了，我写了本书：《拿下Offer-数据分析师求职面试指南》，目前京东正在举行100-50活动，大家可以用相当于原价5折的预购价格购买，还是非常划算的：

点击下方小程序即可进入购买页面：

数据森麟公众号的交流群已经建立，许多小伙伴已经加入其中，感谢大家的支持。大家可以在群里交流关于数据分析&数据挖掘的相关内容，还没有加入的小伙伴可以扫描下方管理员二维码，进群前一定要关注公众号奥，关注后让管理员帮忙拉进群，期待大家的加入。

管理员二维码：


猜你喜欢

● 麟哥拼了！！！亲自出镜推荐自己新书《数据分析师求职面试指南》● 厉害了！麟哥新书登顶京东销量排行榜！● 笑死人不偿命的知乎沙雕问题排行榜
● 用Python扒出B站那些“惊为天人”的阿婆主！● 你相信逛B站也能学编程吗点击阅读原文，即可参与京东100-50购书活动