Neural Collaborative Filtering（NCF） 代码实战（Keras）

博客主要分为两部分。第一部分为论文简介，第二部分为代码实战。

论文简介：

1. 通用框架
下图是作者提出的用神经网络解决推荐系统问题的通用框架。论文先将用户与物品分别进行one-hot编码，然后通过一个Embedding层映射得到对应的向量，这就类似于矩阵分解（MF）中用户与物品的潜在相量。通过此操作可以使网络自己训练调整参数，还可以降低以及控制输入神经网络的维度。

2. GMF

GMF被称为广义矩阵分解，其原理图如上图所示（图片取自如雨星空的博文，链接在最后给出）。使用用户与物品Embedding后的潜在向量作为输入，输出层的计算公式为：

3. MLP

论文使用MLP（多层感知机）来学习用户和物品潜在向量之间的相互作用。网络示意图如上所示。MLP的计算公式：

4. NeuMF

将前面介绍的GMF与MLP相融合就得到了论文所提出的NeuMF，即NCF。作者让GMF和MLP共享相同的嵌入层（Embedding Layer），为了使得融合模型具有更大的灵活性，允许G