【论文阅读】Neural Collaborative filtering

【说明】 　　本文翻译自新加坡国立大学何向南博士 et al.发布在《World Wide Web》（2017）上的一篇论文《Neural Collaborative Filtering》。本人英语水平一般+学术知识匮乏+语文水平拙劣，翻译权当进一步理解论文和提高专业英语水平，translate不到key point还请见谅。 何博士的主页：http://www.comp.nus.edu.sg...

摘要 近年来，深度神经网络在语音识别、计算机视觉和自然语言处理等方面取得了巨大的成功。然而，对推荐系统深度神经网络的研究却相对较少。在这项工作中，我们努力开发基于神经网络的技术来解决基于隐式反馈的协同过滤这一关键问题 虽然最近的一些研究采用了深度学习作为推荐，但他们主要是用它来建模辅助信息，例如对音乐项目的文本描述和音乐的声学特征。在对协同过滤的关键因素——用户和项目特征之间的交互进行建模时，仍然...

Neural Collaborative Filtering paper 关于协同过滤 协同过滤简而言之就是物以类聚人以群分，在真实场景中，通常会获得一张用户物品交互表，其实就是一个矩阵M，M[i][j]=1M[i][j]=1M[i][j]=1则表示用户iii购买了物品jjj，=0=0=0表示没有购买。主要分为以下两种： user-based协同过滤 ...

时间：2017.08.26 作者：Xiangnan He, Lizi Liao, Hanwang Zhang, Liqiang Nie, Xia Hu, Tat-Sent Chua Abstract 以往deep learning模型只用在content information上，比如描述商品的文字、音乐、图片，对于用户、物品的交互信息，用的还是MF（隐向量之间的点乘）来学习。而NCF在im...

1.数据集：MovieLens和Pinterest2.评价指标：选取留一评价法。排名列表的性能使用命中率HR和归一化折现累积增益NDCG判断。TOP103.基线：ItemPop,ItemKNN,BPR,eALS4.结果：对于排名列表，NeuMF展现了比上述所有算法都优秀的表现；对于推荐结果，NeuMF也有略有优势；对于预训练部分，做了有和没有预训练的实验结果，有预训练的实验结果在大部分情况下效果优于不做预训练的情况；对于损失函数，NeuMF的损失最小，HR等也比较优于其他模型；

Neural Collaborative Filtering——WWW'17文章简介一.摘要解析二.技术要点三.实验部分代码解析一.模型构建二.难点问题未来展望 文章简介 该文由何向南教授团队与17年发表在IW3C2，其核心思想在于结合了传统矩阵分解的易用性与神经网络对用户项目交互的高维感知力来提高最终推荐的性能表现。 Keywords: 协同过滤//神经网络//深度学习//矩阵分解//隐式反馈...

In recent years, deep neural networks have yielded immense success on speech recognition, computer vision and natural language processing.

Neural Collaborative Filtering--神经协同过滤1 摘要这项工作的主要贡献如下2 准备工作2.1 学习隐性数据2.2矩阵分解3. 神经协同过滤3.1 通用框架3.1.1 NCF学习3.2 广义矩阵分解3.3 多层感知机（MLP）3.4 结合GMF和MLP3.5 预训练4. 实验4.1 实验设置4.2 性能比较(RQ1)4.2.1 预训练的作用4.3 对消极采样使用Log Loss(RQ2)4.4 Is Deep Learning Helpful? (RQ3) 1 摘要 近年来，深

文章目录Neural Collaborative Filtering一、摘要二、介绍三、准备知识3.1 从隐式数据中进行学习3.2 矩阵分解四、神经协同过滤4.1 总体框架4.1.1 学习NCF4.2 广义矩阵分解（GMF）4.3 多层感知机（MLP）4.4 GMF与MLP的融合4.4.1 预训练REFERENCES Neural Collaborative Filtering 一、摘要 近年来，深度神经网络在语音识别、计算机视觉和自然语言处理方面取得了巨大的成功。然而，深度神经网络在推荐系统上的探索相对较

把用户和物品的 Embedding 视为隐向量 输入到神经网络 GMF 是线性模型和 MLP 非线性模型结合

摘要 近几年来，神经网络已经在声音识别等领域取得了巨大的成功，然而关于推荐系统的神经网络研究却很少有人关注。在本文中，我们提出了一种新的基于神经网络的方法解决推荐系统中的关键问题--协同过滤(基于隐式反馈)。 即使近几年来已经有工作把神经网络用于推荐系统，但他们主要用神经网络来建模辅助信息，但是对于用户和物品的特征交互，仍然使用矩阵分解和内积。 我们提出了一个通用框架NCF，它可以从数据中学习任意函数的神经网络结构代替内积，同时利用多层感知机来学习用户-物品的交互方程。 关键字 协同过滤、神经网络

Neural Collaborative Filtering简述矩阵分解（MF）NCF1.GMF 广义矩阵分解2.MLP（多层感知机）3.NeuMF实验 简述 这篇论文是何向南博士所写 论文地址：http://www.comp.nus.edu.sg/~xiangnan/papers/ncf.pdf 翻译链接：https://www.cnblogs.com/HolyShine/p/6728999.html 本文主要讨论隐式反馈协同过滤。先说明了传统MF方法的局限性，然后提出了一种通用框架NCF并提出了三种实现