神经协同过滤

概述

用神经网络替代传统矩阵分解中的内积操作，构建通用的协同过滤框架，使模型能够从数据中自动学习任意复杂的用户-物品交互函数的推荐系统方法。

关键内容

1. 核心思想：将协同过滤中的交互函数从固定的手工设计(如内积)变为可学习的神经网络，利用深度学习的函数逼近能力捕获复杂的非线性交互模式。

2. 框架组成：

3. 输入层：用户和物品的one-hot表示
4. 嵌入层：将稀疏向量映射为稠密低维向量
5. 神经协同过滤层：用神经网络学习交互函数

6. 输出层：输出交互概率

7. 具体实现：包括GMF(广义矩阵分解)、MLP(多层感知机)和矩阵分解">[NeuMF]三种实例化模型，其中NeuMF融合了线性与非线性建模能力。

来源

• 10-ncf.md — raw/books/推荐系统/10-ncf.md
• Neural Collaborative Filtering 论文 — 原始论文

相关

• 矩阵分解 — 泛化的基线方法
• 协同过滤 — 扩展的基础方法
• GMF — 实例化模型
• MLP (NCF) — 实例化模型
• NeuMF — 实例化模型
• 深度学习 — 采用的技术
• 隐式反馈 — 针对的应用场景