合伙建网站,铜川建设网站,网站批量添加内容,市场营销公司排名NCF在推荐领域应用背景CF#xff0c;也就是协同过滤#xff0c;在推荐领域有极其广泛的应用#xff0c;应该没有谁的智能推荐系统是没用到过CF的。CF其实就是挖掘user和item的交互关系#xff0c;然后生成I2I或者U2I表示向量。传统的CF从数学角度上还是偏行为统计计算的也就是协同过滤在推荐领域有极其广泛的应用应该没有谁的智能推荐系统是没用到过CF的。CF其实就是挖掘user和item的交互关系然后生成I2I或者U2I表示向量。传统的CF从数学角度上还是偏行为统计计算的没有用到很复杂的网络。因为深度学习很火也是有一些关于Neural Collaborative Filtering的工作。今天介绍一下最近看的叫《Neural Collaborative Filtering》这篇论文。也有一个对应的开源项目地址https://github.com/hexiangnan/neural_collaborative_filtering有兴趣的做推荐相关工作的同学可以在自己的工作中用用。隐式反馈vs显式反馈其实把任何算法前面加个N改成neural某某都是比较好发paper或者取得效果的。这篇文章比较有意思的一个点我觉得不在于将GMF或者MLP加在CF中而是为CF构建了一套针对隐式反馈的建模理论。说到这里先要提下隐式反馈和显式反馈。首先推荐业务一般都是按照有监督学习方式建模也就是说要构建特征和目标列。在目标列的选择上一般会认为购买、点击、收藏这种行为是正样本标记成label1其它行为全都是0。但是这其中有一些问题有的时候点击了的不一定是用户真正喜欢的没点击的不一定是用户不喜欢的。在虎扑上经常看到这样的问题以上9个女生哪个最好看大部分人会给出最好看的那个选择但是并不表明他觉得剩下8个不好看。如果只以他觉得最好看的那个女生作为正样本去构建他的审美模型肯定是不能完全覆盖用户的兴趣这是显式反馈的建模机制。对应以上的问题隐式反馈是另一种建模方案在隐式反馈中只要用户去看了某个女生就把这个女生当成正样本不看的当成负样本这样就减少了构建样本时的误差(毕竟不感兴趣的也不会去看)。也就是说隐式反馈更多地是算一个概率user和item是否会发生交互。NCF网络结构网络结构如上底层输入是user和item的one-hot编码结果。在网络训练层使用了两种网络结构一种是GMF(Geberakuzed Matrix Factorization)另一种是MLP(Multi-Layer perceptron)。通过将GMF和MLP的输出特征结合最终通过NeuMF Layer去产出user和item交互的概率。就不展开解释了具体推导见论文。总之通过NCF可以比较快速的user和item的潜在交互概率可以作为推荐系统中的一个重要的召回链路输入。参考文献[1]https://blog.csdn.net/xxiaobaib/article/details/99116755
