【精读推荐系统领域经典论文】DeepCF

DeepCF: A Unified Framework of Representation Learning and Matching Function Learning in Recommender System

一、 论文介绍

1. DeepCF研究implicit feedback (隐式反馈)，属于interaction prediction（交互预测）的一类问题。
2. DeepCF 是NeuCF的一个变体，摈弃了传统的Deep+shallow的模式 ,它使用MLP代替了NeuMF中矩阵分解的 dot product（MLP is used to replace dot product used in traditional matrix factorization methods）。（在读该论文之前可以读一下NeuCF）
3. DeepCF结合representation learning-based CF method 和 Matching function learning-based CF method 两种方法，将两种方法的优势结合起来，从而达到更好的预测效果。

二、 模型介绍

1、DeepCFNet 模型结构

该模型与NeuCF的区别在于DeepCFNet 模型的左半部分使用DMF模型，而NeuCF中使用的是GMF模型，其他方面均十分相似，而且都采用了预训练的方法。

2、模型实现

1. 实验数据
4个公开的数据集（MovieLens 1M [m1-1m]、LastFM、Amazon Music and Amazon toys）。
2. 数据预处理
所采用的数据都是每个用户至少进行了20次评价打分，每个商品至少被5个用户评价打分。

3. Baseline模型
1） ItemPop 非参数的方法（is used as a benchmark for recommendation tasks. Items are ranked by their popularity (例如 the number of interations)）
2）eALs (use all observed interactions as negative instances and weights them non-uniformly by item popularity)
3）DMF (preforms deep matrix factorization with normalized cross entropy loss as loss function)
4）NeuMF (combine hidden layers GMF and MLP to learn the interaction function based on cross entropy loss)
4. 额外的实验
1）验证预训练的效用
在验证预训练的效果中，采用Mini-batch Adam 对 没有进行预训练的CFNet 进行参数更新。进行预训练的CFNet 采用SGD方法进行参数更新
2） 超参数敏感性分析
超参数敏感性分析中，论文中对Negative sampling ratio (负样本采样的比例)以及the dimensions of predictive factors进行了敏感性分析。

5. 模型的评价策略