GMF

概述

广义矩阵分解，NCF 框架的第一个实例化模型，用可学习的逐元素乘积和权重向量替代传统矩阵分解的固定内积操作。

关键内容

1. 公式定义：$\hat{y}{ui} = a{out}(\mathbf{h}^T (\mathbf{p}u \odot \mathbf{q}_i))$，其中 $\odot$ 为逐元素乘积（Hadamard product），$\mathbf{h}$ 是可学习的权重向量，$a{out}$ 是输出激活函数（Neural Collaborative Filtering 论文中使用 sigmoid）。
2. 与矩阵分解的关系：当 $a_{out}$ 为恒等函数、$\mathbf{h}$ 为全1向量时，GMF 恰好退化为标准 MF。这证明了MF 是 NCF 的一个特例。GMF 的"广义"体现在：(1) 权重向量 $\mathbf{h}$ 允许不同潜在维度有不同的重要性；(2) 非线性激活函数引入表达能力提升。
3. 在 NCF 中的角色：GMF 负责捕捉潜在因子之间的线性交互模式（传统 MF 擅长的部分），与 MLP 的非线性建模能力形成互补。
4. 独立嵌入空间：在最终的 NeuMF 融合模型中，GMF 使用自己独立的用户/物品嵌入 $\mathbf{p}_u^G, \mathbf{q}_i^G$，不与 MLP 共享，赋予子模型更大的灵活性。
5. 实验表现：在大多数设置下，GMF 的性能不如 MLP，验证了非线性交互函数优于线性交互函数的假设。但 GMF + MLP 的融合（NeuMF）持续优于单一模型。

来源

• 10-ncf.md — Neural Collaborative Filtering 论文详细解读

相关

• Neural Collaborative Filtering — GMF 所属的通用框架
• 矩阵分解 — GMF 扩展的传统方法
• NeuMF — GMF 与 MLP 的融合模型
• Embedding — GMF 使用的用户和物品表示