本文介绍了Neural Collaborative Filtering（NCF），一种利用多层感知器学习user与item交互的深度学习框架，旨在改进传统矩阵分解方法在推荐系统中的应用。NCF包括线性（GMF）和非线性（MLP）模型，通过融合两种模型提高推荐性能。实验证明，NCF在MovieLens和Pinterest数据集上优于传统方法。
写在前面
- 论文：Neural Collaborative Filtering
- 原文：https://dl.acm.org/citation.cfm?id=3052569
- 代码：https://github.com/hexiangnan/neural_collaborative_filtering
- 论文作者主页：https://www.comp.nus.edu.sg/~xiangnan/
协同过滤算法作为推荐中应用最为广泛的算法，一直是研究的热门领域。随着近些年深度学习的崛起，很多学者开始尝试用深度学习中的技术优化协同过滤，但是大多数都是利用深度学习建模提供一些辅助信息，比如项目的文本描述或者音乐的声学特征。这篇论文提出了一个采用多层感知器来学习user与item的交互的通用框架NCF，它可以取代传统用矩阵分解求内积建模的方法。
这篇论文是新加坡国立大学的何向南博士在IW3C2 2017上的工作成果。何博士的论文一般都公布代码，非常适合学习。
相关工作
传统的协同过滤算法是基于矩阵分解（Matrix Factorization）的方法，它的基本思想是把用户和项目映射在一个shared latent space中，然后通过latent features来描述用户和项目。那么用户在项目上的交互就被建模为他们向量之间的内积。这种方法非常普遍，包括在Spark MLlib中的ALS协同过滤算法在内的主流算法均是使用的这个思想。很多在这个方向的学者虽然一直在研究，但是他们还是在研究如何优化矩阵分解的方法，核心思想还是离不开MF。
在基于MF的协同过滤
最低0.47元/天 解锁文章
扫一扫
1075
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
