Neural Collaborative Filtering 论文

概述

2017年WWW会议发表的重要论文，提出用神经网络替代矩阵分解中的内积操作，构建通用的神经协同过滤框架(NCF)，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。

关键内容

1. 核心贡献：提出[神经协同过滤]框架，用可学习的神经网络替代固定内积，理论上能逼近任意交互函数，表达能力优于传统矩阵分解。

2. 具体方法：

3. GMF(广义矩阵分解)：用加权逐元素乘积替代标准内积，允许不同潜在维度有不同重要性
4. MLP(多层感知机)：通过拼接用户/物品嵌入向量并经多层变换，学习复杂交叉模式

5. 矩阵分解">[NeuMF]：融合GMF的线性建模和MLP的非线性建模能力

6. 实验验证：在MovieLens和Pinterest数据集上验证NeuMF的优越性，证明了非线性建模的有效性，但后续研究对其优势提出了质疑。

来源

• 10-ncf.md — raw/books/推荐系统/10-ncf.md
• 推荐系统 — 推荐系统领域综述

相关

• Xiangnan He — 论文作者
• 矩阵分解 — 继承并扩展的方法
• NeuMF — 提出的关键模型
• GMF — 提出的关键模型
• MLP (NCF) — 提出的关键模型
• 二元交叉熵 — 采用的损失函数
• 负采样 — 采用的技术手段
• 隐式反馈 — 针对的应用场景