NCF框架：Neural Collaborative Filtering

原创 已于 2024-04-29 16:51:18 修改 · 1.0k 阅读 · 26 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#笔记 #推荐算法

于 2024-04-23 10:17:28 首次发布
NCF（Neural Collaborative Filtering）是一种使用神经网络改进协同过滤的框架，旨在解决隐式反馈的推荐问题。通过将矩阵分解的内积替换为可学习的神经架构，NCF能更好地捕捉用户-项目的交互。模型包括GMF（广义矩阵分解）和MLP（多层感知机），并在NeuMF中融合两者以结合线性和非线性建模。实验表明，NCF在电影和Pinterest数据集上的表现优于传统推荐算法。

Neural Collaborative Filtering

WWW-Xiangnan He, Lizi Liao,Hanwang Zhang,Liqiang Nie,Xia Hu, Tat-Seng Chua-2017

思路

  1. 基于神经网络技术以解决推荐中的关键问题：基于隐式反馈的协同过滤；
  2. 最初的神经网络应用在对辅助信息的建模中，对CF的关键因素即用户与项目的交互进行建模时仍然采用矩阵分解，并对用户和项目的潜在特征应用内积；
  3. 通过将内积替换为可以从数据中学习任意函数的神经架构，提出NCF，即基于神经网络的协同过滤；
  4. NCF是通用的，可以在此框架下表示和推广矩阵分解。为增强NCF的非线性建模，使用MLP来学习用户-项目的交互函数。

准备工作

一、从隐式数据中学习：
在这里插入图片描述
这里要注意的是，1并不意味着u喜欢i，0也不意味着u不喜欢i，可能只是没看到这个i；所以这样的定义缺乏负面反馈。在这里插入图片描述
预测Y中交互的函数如上定义，⚪表示模型参数，f就是交互函数。
估计⚪参数时，通常遵循优化目标函数的机器学习范例：一种是逐点损失，一种是成对损失。逐点损失遵循回归框架：最小化预测和真实之间的距离，成对损失最大化观察到的交互和未观察到的交互之间的距离。
NCF支持逐点学习和成对学习。
二、矩阵分解MF：
MF将交互的预测结果定义为用户u和项目i的潜在向量的内积：
<

最低0.47元/天 解锁文章
Neural Collaborative Filtering
Dive的博客
01-06 1882
目录2 PRELIMINARIES3. NEURAL COLLABORATIVE FILTERING3.1 通用框架3.2 广义矩阵分解(GMF)3.3 MLP3.4 GMF和MLP的聚合—NeuMF4 EXPERIMENTSQ1 NCF的效果比其他SOTA的隐式CF好吗？Q2 带有负采样的log loss（这个优化框架）是否适用于RS？Q3 更深的网络对于从交互数据中学习 有帮助吗？ 核心：内积的局限性，用神经结构代替内积。实验表明，使用更深层次的神经网络提供了更好的推荐性能。 2 PRELIMINAR
神经协同过滤Neural Collaborative Filtering(NCF)
Super_cute_的博客
08-17 2782
Neural Collaborative Filtering简述矩阵分解（MF）NCF1.GMF 广义矩阵分解2.MLP（多层感知机）3.NeuMF实验 简述 这篇论文是何向南博士所写 论文地址：http://www.comp.nus.edu.sg/~xiangnan/papers/ncf.pdf 翻译链接：https://www.cnblogs.com/HolyShine/p/6728999.html 本文主要讨论隐式反馈协同过滤。先说明了传统MF方法的局限性，然后提出了一种通用框架NCF并提出了三种实现
【翻译】Neural Collaborative Filtering--神经协同过滤
weixin_30505225的博客
04-22 2214
【说明】 　　本文翻译自新加坡国立大学何向南博士 et al.发布在《World Wide Web》（2017）上的一篇论文《Neural Collaborative Filtering》。本人英语水平一般+学术知识匮乏+语文水平拙劣，翻译权当进一步理解论文和提高专业英语水平，translate不到key point还请见谅。 何博士的主页：http://www.comp.nus.edu.sg...
神经协同过滤（Neural Collaborative Filtering）项目教程
最新发布
gitblog_00089的博客
11-14 632
神经协同过滤（Neural Collaborative Filtering，简称NCF）是一个基于神经网络的推荐系统框架，旨在解决协同过滤问题。该项目通过深度学习技术，特别是神经网络，来建模用户和物品之间的交互，从而提供更精确的推荐。与传统的矩阵分解方法相比，NCF能够捕捉到更复杂的非线性关系，从而提高推荐系统的性能。 ## 项目快速启动 ### 环境准备 在开始之前，请确保您的开发环境已经
NCF(Neural Collaborative Filtering)——协同过滤与神经网络的结合
很吵请安静
06-13 2977
Neural Collaborative Filtering paper 关于协同过滤 协同过滤简而言之就是物以类聚人以群分，在真实场景中，通常会获得一张用户物品交互表，其实就是一个矩阵M，M[i][j]=1M[i][j]=1M[i][j]=1则表示用户iii购买了物品jjj，=0=0=0表示没有购买。主要分为以下两种： user-based协同过滤 ...
论文笔记：Neural Collaborative Filtering(NCF)
qq_44015059的博客
07-19 3811
前言 论文链接：https://arxiv.org/abs/1708.05031 github：https://github.com/yihong-chen/neural-collaborative-filtering 参考：https://www.cnblogs.com/HolyShine/p/6728999.html https://blog.youkuaiyun.com/foneone/article/details/103881687 本文主要介绍了一种一种基于神经网络的技术，来解决在含有隐形反馈的基础上进行推
推荐算法论文：Neural Collaborative Filtering
he_wen_jie的博客
04-28 524
吹牛逼 用户和商品的隐向量依然通过MF（矩阵分解）的方式来获取，深度网络仅仅用来抽取side信息，例如商品的文本，语音？等 提出了NCF框架，NCF可以衍生出矩阵分解，如果使用神经网络可以进一步增强模型的非线性能力 提出了一个假设，多层神经网络可以学习user-item的交叉函数 1.介绍 第一段 推荐系统可以有效缓解信息过载，当前已经被应用在，电商，新闻和社交媒体，核心是可以通过用户历史信息建立协同过滤模型 MF可以将用户和商品映射到统一的隐向量空间，使用隐向量表征用户和商品，这样直接可以使用两个隐
Neural Collaborative Filtering∗
m0_52545077的博客
12-16 1302
In recent years, deep neural networks have yielded immense success on speech recognition, computer vision and natural language processing.
Neural Collaborative Filtering神经协同过滤1
08-03
神经协同过滤（Neural Collaborative Filtering, NCF）是推荐系统领域内一项革命性的技术突破，其核心思想是利用深度学习技术来解决传统协同过滤算法无法捕捉的用户与物品间的复杂非线性关系。在这一技术框架下，...
Neural Collaborative Filtering (NCF)论文学习笔记及代码实现
zhu_xian_gang的博客
07-18 3397
Neural Collaborative Filtering (NCF)论文学习笔记及代码实现 一、研究背景 二、相关知识 1、GFM（广义矩阵分解）模型： 2、One-hot编码 3、embedding层 4、哈达马积 5、MLP（多层感知机）模型： 6、激活函数ReLU 7、NeuMF模型： 三、研究方法 1、留白评估法 2、数据集划分 3、数据集介绍 四、实现结果（论文详细结果可看原文） 1、Top-K项目推荐 五、本人代码运行结果 1、GMF 2、MLP 3、NeuMF
Neural Collaborative Filtering      
ChristineC_的博客
02-24 481
时间：2017.08.26 作者：Xiangnan He, Lizi Liao, Hanwang Zhang, Liqiang Nie, Xia Hu, Tat-Sent Chua Abstract 以往deep learning模型只用在content information上，比如描述商品的文字、音乐、图片，对于用户、物品的交互信息，用的还是MF（隐向量之间的点乘）来学习。而NCF在im...
Neural Collaborative Filtering.pdf
11-29
论文《Neural Collaborative Filtering》原文，其中有NAIS模型实验中使用的两个数据集详细描述
Neural Collaborative Filtering--神经协同过滤
derder的博客
08-16 571
Neural Collaborative Filtering--神经协同过滤1 摘要这项工作的主要贡献如下2 准备工作2.1 学习隐性数据2.2矩阵分解3. 神经协同过滤3.1 通用框架3.1.1 NCF学习3.2 广义矩阵分解3.3 多层感知机（MLP）3.4 结合GMF和MLP3.5 预训练4. 实验4.1 实验设置4.2 性能比较(RQ1)4.2.1 预训练的作用4.3 对消极采样使用Log Loss(RQ2)4.4 Is Deep Learning Helpful? (RQ3) 1 摘要 近年来，深
【论文阅读】Neural Collaborative filtering
欢迎来到小丁的技术空间
05-14 1199
Neural Collaborative filtering(WWW 2017) 何向南，主页 http://staff.ustc.edu.cn/~hexn/ GitHub：https://github.com/hexiangnan/neural_collaborative_filtering
【推荐系统论文精读系列】(五)--Neural Collaborative Filtering
优快云 精品推荐
11-14 1888
文章目录Neural Collaborative Filtering一、摘要二、介绍三、准备知识3.1 从隐式数据中进行学习3.2 矩阵分解四、神经协同过滤4.1 总体框架4.1.1 学习NCF4.2 广义矩阵分解（GMF）4.3 多层感知机（MLP）4.4 GMF与MLP的融合4.4.1 预训练REFERENCES Neural Collaborative Filtering 一、摘要 近年来，深度神经网络在语音识别、计算机视觉和自然语言处理方面取得了巨大的成功。然而，深度神经网络在推荐系统上的探索相对较
《Neural Collaborative Filtering》笔记
m0_66184663的博客
10-18 202
可以赋予模型高水平的灵活性和非线性建模能力，而不是GMF（广义矩阵分解）那样的简单使用逐元素相乘的内积来描述用户和项目之间的潜在交互特征。约束在[0，1]的范围内，这可以通过使用概率函数（例如，Logistic或Probit函数）作为输出层Φout的激活函数。为了给融合模型提供更多的灵活性，允许GMF和MLP使用单独的嵌入，并通过连接它们的最后一个隐藏层来组合这两个模型。一个简单的解决方案是让GMF和MLP共享同一个嵌入层，然后组合它们的函数的输出如下公式(单层MLP)堆叠更多的非线性层也有利于性能。
推荐系统——Neural collaborative filtering
manduner的博客
07-18 1712
论文描述： *矩阵分解模型是目前最为流行的一种协同过滤方法，通过用户潜在特征和商品潜在特征的内积重构用户-商品交互矩阵中的未知项，模型简单、易扩展且灵活。但是取得的推荐性能较低。基于矩阵分解的改进方法有，将矩阵分解模型与基于内容的模型相结合，形成混合模型；将辅助信息整合到矩阵分解模型中等。由于深度学习强大的表示学习能力，一些研究开始将深度学习的方法与传统的矩阵分解模型相结合，以提高推荐系统的性能...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值