知识卡片

普通读书笔记卡 · 9905.f · 生成模型:Hunyuan

NeuralCF神经网络协同过滤

理解等级:中级

NeuralCF从矩阵分解出发:把用户隐向量和物品隐向量看作Embedding,原本用内积算相似度来预测评分。它发现内积这层太简单、常导致欠拟合,于是用多层神经网络加输出层替换内积,让用户与物品向量交叉得更充分,并引入更多非线性,提升表达能力。它更像一个框架而非固定模型——互操作层可以换成元素积等任意形式,也可以把多个互操作网络的输出拼接后统一拟合。代价是它仍沿用协同过滤思路,只用了用户和物品两类向量,浪费了其他有价值特征;且结构越复杂越需更多数据和更长训练,还要防过拟合,需在实用性与效果间权衡。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    参考来源

    - 位置:《深度学习推荐系统》第3章 浪潮之巅——深度学习在推荐系统中的应用(源文件:extracted/深度学习推荐系统/_epub-src/text/part0007_split_004.html) - 结论依据:原文说明NeuralCF用多层网络替代内积、提出广义矩阵分解,并指出其局限与训练权衡。 - 原始内容:NeuralCF 用“多层神经网络+输出层”的结构替代了矩阵分解模型中简单的内积操作。这样做的收益是直观的,一是让用户向量和物品向量做更充分的交叉,得到更多有价值的特征组合信息;二是引入更多的非线性特征,让模型的表达能力更强。