原文链接
Neural Collaborative Filtering(NCF)
Motivation
- 传统的矩阵分解通过latent features的内积来估计user与item的交互，而内积仅仅只能表示latent features的线性关系
contributions
- 引入MLP来替代latent features的内积，从而增加矩阵分解的非线性特征捕获能力
- 提出Neural matrix factorization model(NeuMF)，即Linear Collaborative Filtering + Non-linear Collaborative Filtering
问题分析
传统矩阵分解的线性性质无法很好的捕获相似关系
论文中的MF的局限性的图可以很好解释为什么MF无法很好的捕获相似关系
可以看到，u4与u1最相似，其次是与u3，最后与u2，如果将其映射到二维的隐空间，那么应该有
c
o
s
i
n
e
(
u
4
,
u
1
)
>
c
o
s
i
n
e
(
u
4
,
u
3
)
>
c
o
s
i
n
e
(
u
4
,
u
2
)
cosine(u_4, u_1) > cosine(u_4, u3) > cosine(u_4, u_2)
cosine(u4,u1)>cosine(u4,u3)>cosine(u4,u2)
而如果u1,u2,u3在隐空间的向量如图所示，那么u4放哪都不是最合适的，这归因于MF的内积的线性性质
为了解决这个问题，论文提出利用MLP来捕获非线性性质
模型结构
模型图坐标的GMF Layer表示的是latent feature的element-wise product，即捕获latent features的线性性质
右图MLP Layers则表示利用MLP捕获latent features的非线性性质
最后GMF Layer与MLP Layer的结果进行concatenation后预测最终的结果
Loss Function
其将user与item的交互视为二元，即1表示交互，0表示没交互。因此论文将该问题视为二分类问题，因此利用的是二元交叉熵损失
EXPERIMENTS
数据集
MovieLens和Pinterest
为了防止测试的复杂度太大，其对每一个用户的负样本进行random sample出了100个，再从中做topk排序
不同Factors之间的效果对比
factors指模型结构中NeuMF Layer的维度
与baseline的对比
迭代次数损失metrics的变化以及负采样率不同时的metrics value
对GMF Layer和MLP Layer进行预训练和不预训练的对比
不同层数MLP的对比
思考
- 其只是考虑了user ID与item ID之间的关系，学习的是ID pair的分布，可以考虑加入user和item的上下文信息
