NCF在推薦領域應用背景

CF，也就是協同過濾，在推薦領域有極其廣泛的應用，應該沒有誰的智能推薦系統是沒用到過CF的。CF其實就是挖掘user和item的交互關系，然后生成I2I或者U2I表示向量。傳統的CF從數學角度上還是偏行為統計計算的，沒有用到很復雜的網絡。因為深度學習很火，也是有一些關于Neural Collaborative Filtering的工作。今天介紹一下最近看的叫《Neural Collaborative Filtering》這篇論文。也有一個對應的開源項目，地址：

https://github.com/hexiangnan/neural_collaborative_filtering

有興趣的做推薦相關工作的同學，可以在自己的工作中用用。

隱式反饋vs顯式反饋

其實把任何算法前面加個N，改成neural某某都是比較好發paper或者取得效果的。這篇文章比較有意思的一個點我覺得不在于將GMF或者MLP加在CF中，而是為CF構建了一套針對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。首先推薦業務一般都是按照有監督學習方式建模，也就是說要構建特征和目標列。在目標列的選擇上一般會認為購買、點擊、收藏這種行為是正樣本，標記成label=1，其它行為全都是0。

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

在虎撲上經常看到這樣的問題：

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

對應以上的問題，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女生，就把這個女生當成正樣本，不看的當成負樣本，這樣就減少了構建樣本時的誤差（畢竟不感興趣的也不會去看）。也就是說隱式反饋更多地是算一個概率，user和item是否會發生交互。

NCF網絡結構

網絡結構如上，底層輸入是user和item的one-hot編碼結果。在網絡訓練層使用了兩種網絡結構，一種是GMF（Geberakuzed Matrix Factorization），另一種是MLP（Multi-Layer perceptron）。通過將GMF和MLP的輸出特征結合，最終通過NeuMF Layer去產出user和item交互的概率。就不展開解釋了，具體推導見論文。

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

參考文獻：

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

總結

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內容，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站內容還不錯，歡迎將生活随笔推薦給好友。