電子發(fā)燒友App
創(chuàng)作
發(fā)文章
發(fā)帖 
提問 
發(fā)資料
發(fā)視頻本節(jié)超越了顯式反饋，介紹了神經(jīng)協(xié)同過濾 (NCF) 框架，用于使用隱式反饋進(jìn)行推薦。隱式反饋在推薦系統(tǒng)中很普遍。點(diǎn)擊、購買和觀看等行為是常見的隱式反饋，易于收集并指示用戶的偏好。我們將介紹的模型，名為 NeuMF （He等人，2017 年），神經(jīng)矩陣分解的縮寫，旨在解決具有隱式反饋的個性化排序任務(wù)。該模型利用神經(jīng)網(wǎng)絡(luò)的靈活性和非線性來替代矩陣分解的點(diǎn)積，旨在增強(qiáng)模型的表達(dá)能力。具體而言，該模型由兩個子網(wǎng)絡(luò)構(gòu)成，包括廣義矩陣分解 (GMF) 和 MLP，并對來自兩個路徑的交互進(jìn)行建模，而不是簡單的點(diǎn)積。這兩個網(wǎng)絡(luò)的輸出被連接起來用于最終的預(yù)測分?jǐn)?shù)計算。與 AutoRec 中的評分預(yù)測任務(wù)不同，該模型根據(jù)隱式反饋為每個用戶生成一個排名推薦列表。我們將使用上一節(jié)介紹的個性化排名損失來訓(xùn)練這個模型。
21.6.1。NeuMF 模型
如前所述，NeuMF 融合了兩個子網(wǎng)絡(luò)。GMF 是矩陣分解的通用神經(jīng)網(wǎng)絡(luò)版本，其中輸入是用戶和項(xiàng)目潛在因子的元素乘積。它由兩個神經(jīng)層組成：
在哪里⊙表示向量的 Hadamard 乘積。 P∈Rm×k和 Q∈Rn×k分別對應(yīng)于用戶和項(xiàng)目潛在矩陣。 pu∈Rk是個uth 一排P和qi∈Rk是個 ith一排Q.α和h 表示輸出層的激活函數(shù)和權(quán)重。 y^ui是用戶的預(yù)測分?jǐn)?shù)u可能會給物品i.
該模型的另一個組成部分是 MLP。為了增強(qiáng)模型的靈活性，MLP 子網(wǎng)不與 GMF 共享用戶和項(xiàng)目嵌入。它使用用戶和項(xiàng)目嵌入的串聯(lián)作為輸入。通過復(fù)雜的連接和非線性變換，它能夠估計用戶和項(xiàng)目之間復(fù)雜的交互。更準(zhǔn)確地說，MLP 子網(wǎng)定義為：
在哪里W?,b?和α?表示權(quán)重矩陣、偏置向量和激活函數(shù)。?? 表示相應(yīng)層的功能。z? 表示相應(yīng)層的輸出。
為了融合 GMF 和 MLP 的結(jié)果，而不是簡單的加法，NeuMF 將兩個子網(wǎng)絡(luò)的倒數(shù)第二層連接起來，以創(chuàng)建一個可以傳遞給更多層的特征向量。之后，輸出用矩陣投影
上傳資料賺積分
工商網(wǎng)監(jiān)
評論