Latent Cross: Making Use of Context in Recurrent Recommender Systems 论文阅读

由于我最近把GRU用到推荐系统中后感觉效果并不好，所以带着问题读的文章，写的也比较简单，各位见谅啦~
其实这篇文章我个人觉得写的真的有点confusing，在符号的应用上和主流不太一样，导致看的时候感觉不是很舒服

摘要

主要关注context的用法，采用了RNN-based 方法，然后引入latent cross把context特征融合进来。

各种算法的比较：

DNN缺陷（一阶算子）

虽然它可以拟合任意函数，但是和CF类算法还是有区别。通过特征之间的点乘，CF类算法可以学到low-rank关联，因此这一部分就做了一个实验来验证这种first-order神经元是否能完美学习这类low-rank关联。
结果如下图，r代表矩阵data的秩，m代表m个特征。结果是网络层数越多，拟合的越好，但是效率肯定不高。

Youtube RNN 推荐算法

对于user i在时刻t之前的观看历史，其中j为video， t为时间，Xi是用户i看的所有视频

用$e^{(\tau )}$表示第$\tau$个event（就是视频）,$y^{(\tau )}$表示此时的label，ψ(j)是上传者，网络就是要预测 j+1

网络的输入如下，第一项是vi