知识卡片
从矩阵分解到NeuralCF
这张图对照展示矩阵分解及其神经网络化推广:两条Embedding分别产出用户向量与物品向量,经典矩阵分解把它们做内积后直接输出评分;NeuralCF则把内积换成多层网络,或换成元素积再接逻辑回归,形成广义矩阵分解;还可以把多条互操作支路的输出拼接起来送进输出层,得到混合模型。读图要点是互操作层这一可替换的核心部件:内积、元素积、神经网络各有交叉强度与复杂度差异。这一视角也解释了为什么PNN、DeepCross可归为同一思路的延伸——它们本质上都在设计更强的特征交叉算子。
结构图:
flowchart TD
U[用户Embedding向量] --> OP{互操作层}
I[物品Embedding向量] --> OP
OP -->|内积| MF[矩阵分解 直接输出评分]
OP -->|元素积加逻辑回归| GMF[广义矩阵分解]
OP -->|多层神经网络| NCF[NeuralCF]
GMF --> CAT[拼接]
NCF --> CAT
CAT --> OUT[输出层目标拟合]
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
原书出处 · 1 处
- 第3章 浪潮之巅——深度学习在推荐系统中的应用 · 查看原书依据
事实上,如果从深度学习的视角看待矩阵分解模型,那么矩阵分解层的用户隐向量和物品隐向量完全可以看作一种Embedding方法。最终的“Scoring层”就是将用户隐向量和物品隐向量进行内积操作后得到“相似度”,这里的“相似度”就是对评分的预测。
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:原文给出从矩阵分解网络化表示到NeuralCF及混合模型的演进,明确提出广义矩阵分解概念。
- 原始内容:事实上,如果从深度学习的视角看待矩阵分解模型,那么矩阵分解层的用户隐向量和物品隐向量完全可以看作一种Embedding方法。最终的“Scoring层”就是将用户隐向量和物品隐向量进行内积操作后得到“相似度”,这里的“相似度”就是对评分的预测。