作者以及单位
http://staff.ustc.edu.cn/~hexn/
https://www.comp.nus.edu.sg/~xiangnan/papers/ncf.pdf
何向南这篇NCF很出名，也很有意义。不过对此的争议也很大，有兴趣的朋友，可以观看RecSys2019的Bestpaper中Are We Really Making Much Progress? A Worrying Analysis of Recent Neural Recommendation Approaches对NCF的质疑。同时，谷歌的rendle也质疑过NCF。
不过我觉得质疑不是坏事，东西好才引起讨论嘛。
解决问题
通过形式化用于协同过滤的神经网络建模方法来解决使用内积结合用户和项目潜在特征。
研究对象
使用深层神经网络来学习数据的交互函数，而不是那些以前已经完成的手动工作（handcraft）
研究方法
提出的总体框架NCF，阐述NCF如何学习强调了隐式数据的二进制属性的概率模型。然后，展示了，MF能够表达为NCF 的推广（MF矩阵分解模型是NCF的一个特例）。我们探索DNNs在协同过滤上的应用，提出了NCF的一个实例，它采用了多层感知器（MLP）来学习用户-项目交互函数。最后，我们在NCF框架下结合了MF和MLP，提出了一种新的神经矩阵分解模型（neural matrix factorization model）;它统一了在建模用户项目潜在结构方面，MF的线性建模优势和MLP的非线性优势。
ncf
开发了NCF的两个实例：GMF，它应用了一个线性内核来模拟潜在的特征交互；MLP，使用非线性内核从数据中学习交互函数。
在NCF框架下融合GMF和MLP，使他们能够相互强化，以更好地对复杂的用户-项目交互建模。具体是让GMF和MLP共享相同的嵌入层（Embedding Layer），然后再结合它们分别对相互作用的函数输出。
neural matrix
创新点
1、提出了一种神经网络结构来模拟用户和项目的潜在特征，并设计了基于神经网络的协同过滤的通用框架NCF。
2、表明MF可以被解释为NCF的特例，并利用多层感知器来赋予NCF高水平的非线性建模能力。
3、对两个现实世界的数据集进行广泛的实验，以证明我们的NCF方法的有效性和对使用深度学习进行协作过滤的承诺。
结论
论文的试验部分十分有意思，围绕3个问题展开
我们提出的NCF方法是否胜过 state-of-the-art 的隐性协同过滤方法？
我们提出的优化框架（消极样本抽样的log loss）怎样为推荐任务服务？
更深的隐藏单元是不是有助于对用户项目交互数据的学习？
网友评论