知识卡片
NCF与NeuMF
传统协同过滤基于矩阵分解,用潜在特征的内积预测偏好,而内积是线性变换,表达能力有限,难以拟合用户与物品间复杂的交互关系。NCF的核心是用神经网络替换内积部分,让模型自动学习特征间任意函数关系。其输入是用户与物品的独热编码,经Embedding层变为稠密潜在向量,再送入多层网络输出预测分数。NeuMF进一步融合广义矩阵分解的线性建模能力与多层感知器的非线性能力,两者共享Embedding层并把结果组合输出,从而同时兼顾线性与非线性建模优势。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
- · 第9章 推荐系统
原书出处 · 1 处
- 第9章 推荐系统 · 查看原书依据
而内积属于线性变换,其特征的表现有限。为解决这个问题,新加坡国立大学何向南教授提出一种解决方案(见论文Neural Collaborative Ffiltering(简称NCF)),论文的核心是用神经网络取代这个内积部分的技术,以学到特征之间任意的函数关系。
参考来源
- 位置:《深入浅出Embedding:原理解析与应用实践 (吴茂贵, 王红星)》第9章 推荐系统(源文件:extracted/深入浅出Embedding:原理解析与应用实践 (吴茂贵, 王红星)/_epub-src/OEBPS/Text/Chapter12_0003.xhtml)
- 结论依据:原文指出内积线性表达有限,并提出用神经网络取代内积的NCF及共享嵌入、组合GMF与MLP的NeuMF,支撑本卡。
- 原始内容:而内积属于线性变换,其特征的表现有限。为解决这个问题,新加坡国立大学何向南教授提出一种解决方案(见论文Neural Collaborative Ffiltering(简称NCF)),论文的核心是用神经网络取代这个内积部分的技术,以学到特征之间任意的函数关系。