NCF在推薦領(lǐng)域應(yīng)用背景

CF，也就是協(xié)同過濾，在推薦領(lǐng)域有極其廣泛的應(yīng)用，應(yīng)該沒有誰(shuí)的智能推薦系統(tǒng)是沒用到過CF的。CF其實(shí)就是挖掘user和item的交互關(guān)系，然后生成I2I或者U2I表示向量。傳統(tǒng)的CF從數(shù)學(xué)角度上還是偏行為統(tǒng)計(jì)計(jì)算的，沒有用到很復(fù)雜的網(wǎng)絡(luò)。因?yàn)樯疃葘W(xué)習(xí)很火，也是有一些關(guān)于Neural Collaborative Filtering的工作。今天介紹一下最近看的叫《Neural Collaborative Filtering》這篇論文。也有一個(gè)對(duì)應(yīng)的開源項(xiàng)目，地址：

https://github.com/hexiangnan/neural_collaborative_filtering

有興趣的做推薦相關(guān)工作的同學(xué)，可以在自己的工作中用用。

隱式反饋vs顯式反饋

其實(shí)把任何算法前面加個(gè)N，改成neural某某都是比較好發(fā)paper或者取得效果的。這篇文章比較有意思的一個(gè)點(diǎn)我覺得不在于將GMF或者M(jìn)LP加在CF中，而是為CF構(gòu)建了一套針對(duì)隱式反饋的建模理論。

說到這里先要提下隱式反饋和顯式反饋。首先推薦業(yè)務(wù)一般都是按照有監(jiān)督學(xué)習(xí)方式建模，也就是說要構(gòu)建特征和目標(biāo)列。在目標(biāo)列的選擇上一般會(huì)認(rèn)為購(gòu)買、點(diǎn)擊、收藏這種行為是正樣本，標(biāo)記成label=1，其它行為全都是0。

但是這其中有一些問題，有的時(shí)候點(diǎn)擊了的不一定是用戶真正喜歡的，沒點(diǎn)擊的不一定是用戶不喜歡的。

在虎撲上經(jīng)常看到這樣的問題：

以上9個(gè)女生哪個(gè)最好看，大部分人會(huì)給出最好看的那個(gè)選擇，但是并不表明他覺得剩下8個(gè)不好看。如果只以他覺得最好看的那個(gè)女生作為正樣本去構(gòu)建他的審美模型，肯定是不能完全覆蓋用戶的興趣，這是顯式反饋的建模機(jī)制。

對(duì)應(yīng)以上的問題，隱式反饋是另一種建模方案，在隱式反饋中只要用戶去看了某個(gè)女生，就把這個(gè)女生當(dāng)成正樣本，不看的當(dāng)成負(fù)樣本，這樣就減少了構(gòu)建樣本時(shí)的誤差（畢竟不感興趣的也不會(huì)去看）。也就是說隱式反饋更多地是算一個(gè)概率，user和item是否會(huì)發(fā)生交互。

NCF網(wǎng)絡(luò)結(jié)構(gòu)

網(wǎng)絡(luò)結(jié)構(gòu)如上，底層輸入是user和item的one-hot編碼結(jié)果。在網(wǎng)絡(luò)訓(xùn)練層使用了兩種網(wǎng)絡(luò)結(jié)構(gòu)，一種是GMF（Geberakuzed Matrix Factorization），另一種是MLP（Multi-Layer perceptron）。通過將GMF和MLP的輸出特征結(jié)合，最終通過NeuMF Layer去產(chǎn)出user和item交互的概率。就不展開解釋了，具體推導(dǎo)見論文。

總之，通過NCF可以比較快速的user和item的潛在交互概率，可以作為推薦系統(tǒng)中的一個(gè)重要的召回鏈路輸入。

參考文獻(xiàn)：

[1]https://blog.csdn.net/xxiaobaib/article/details/99116755

總結(jié)

以上是生活随笔為你收集整理的浅析神经协同过滤NCF在推荐系统的应用的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。