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 ,