Paddle开发深度学习模型快速入门——Neural Collaborative Filtering

Neural Collaborative Filtering

Abstract

提出的问题（研究背景）：
深度神经网络在推荐系统上的探索较少，在已有的深度学习方法中，协作过滤的关键问题——用户和物品特征的交互建模——仍使用内积(Inner Product)。

解决的问题（研究中心）：
开发基于神经网络的技术解决基于隐式反馈的推荐中的关键问题：协作过滤。提出神经体系结构代替内积的神经协同过滤通用结构，研究的实验证明使用更深层的神经网络拥有更佳的推荐表现。

Introduction

问题的介绍（研究背景展开）：
个性化推荐系统是基于用户过去的交互行为对事物偏好进行建模，这就是协同过滤。矩阵分解是协同过滤技术中最流行的一种，但是简单选择的交互功能——内积——可能会阻碍协同过滤的性能。深度神经网络在推荐方面取得令人兴奋的进展。但在关键的对协作过滤效果进行建模这方面仍然诉诸矩阵分解，使用内积结合用户和事物的特征。全文探讨如何利用深度神经网络对嘈杂的隐式反馈信号进行建模的中心主题。文章提出了一种神经网络体系结构，用于对用户和物品的潜在特征进行建模，并设计了基于神经网络的协作过滤通用框架神经协同过滤；文章证明矩阵分解可以解释为神经协同过滤的专业化，并利用多层感知器赋予神经协同过滤建模以高水平的非线性。文章在两个真实世界的数据集上进行了广泛的实验，以证明文内提到的神经协同过滤方法的有效性以及深度学习对协作过滤的承诺。

Content

解决的步骤（研究方案）：

Preliminaries 准备工作：
1.具有隐式反馈的协作过滤的解决方案
2.概括广泛使用的矩阵分解，强调内积的局限性

Neural Collaborative Filtering 神经协同过滤
1.一般的神经协同过滤框架
2.证明矩阵分解能够在神经协同过滤下表达和推广
3.使用多层感知器(Multi-Layer Perceptron)来学习用户-项目交互功能
4.提出集成矩阵分解和多层感知器的新的神经矩阵分解模型

Experiments 实验
1.实验佐证文中提出的神经协同过滤方法优于最新的隐式协同过滤方法
2.实验佐证文中提出的优化框架—(log loss with negative sampling)—如何为推荐任务工作
3.实验佐证隐藏单元的更深层有助于从用户-事物的交互数据中学习

Conclusion

研究总结和归纳：

Conclusion & Future Work 结论和未来展望
主要探索用于协同过滤的神经网络体系结构。文中设计了一个通用框架“神经协同过滤“，并提出三个实例化-GMF广义矩阵分解、MLP多层感知器和NeuMF神经矩阵分解——以不同的方式对用户-事物交互进行建模。文中框架简单通用，补充了协同过滤的主流浅层模型，为基于深度学习的推荐开辟了新的研究途径。