概述
这篇文章属于推荐领域将深度学习与传统机器学习中的矩阵分解方法进行结合的文章。文章给出了很好的结合框架，并对矩阵分解与深度学习进行了比较，认为矩阵分解可看作是将用户隐向量和item隐向量的哈达玛乘积作为输入，深度网络将层数设为1，激活不做操作的特例。而文章也对加入深度学习的原因和效果，以及矩阵分解与深度学习结合的意义进行了探讨和实验，具有很高的价值。
这篇文章的主要贡献点是1个框架和3个模型实现：（1）NCF框架（Neural Collaborative Filtering）；（2）GMF模型（generalizes the Matrix Factorization）;（3）MLP模型（multi-layer perceptron）;（3）NeuMF（GMF and MLP）
Motivation
矩阵分解在推荐系统中被广泛应用，但是它存在一些局限性：内积会限制这种方法的表征能力，也就是特征之间的交互关系难以完全表达。
NCF
NMF
MLP
预训练
预训练时，输出变为
系数取0.5
结果
实验上（HR、NDCG）击败了一众model
预训练要比原模型更好
负采样率3-6比较好
MLP层数
网友评论