本文介绍了Neural Collaborative Filtering（NCF）在推荐系统中的应用，探讨了如何使用神经网络替代传统的矩阵分解和内积操作。NCF针对隐式反馈数据，旨在提高用户和物品向量的表达能力，解决内积方法在表达复杂相似度关系上的局限性。文章讨论了pointwise和pairwise两种推荐系统的优化目标，并指出更高的向量维度可能导致模型泛化能力下降的问题。
Neural Collaborative Filtering (www2017)
这篇文章提到，深度学习在推荐系统里一般是用来抽取特征的，在协同过滤的关键环节—— user和item特征的交互上，还是要用矩阵分解，然后再对分解后得到的user和item的表征做内积。
这篇文章想用一个神经网络替换掉内积。
矩阵分解是常用的方法，具体是把user和item映射到同一个向量空间，用向量来表示user和item。然后向量做点积，结果越大的表示越可能发生交互（点击）。但是有时除了做内积，也会再做一些其他的修正，比如做explicit 推荐，对user-item对做rating时，做完内积，可能再加上每个用户的平均打分。
这篇文章做得是implicit feedback。 implicit 比explicit要难，因为没有明显的负反馈。
定义user-item的交互矩阵 Y ∈ R M × N \mathbf{Y} \in \mathbb{R}^{M \times N} Y∈RM×N 如下:
y u i = { 1 , if interaction (user u , item i ) is observed; 0 ,
最低0.47元/天 解锁文章
326
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
