推荐系统模型(一) DFN 详解 Deep Feedback Network for Recommendation

背景

在大多数的推荐系统中，往往注重于隐式正反馈(例如：点击)，而忽略掉用户的其他行为(例如大多数CTR模型只考虑用户的喜欢，而忽略了不喜欢)。腾讯在Deep Feedback Network for Recommendation 一文中，提出了一个新颖的推荐系统模型，该模型使用了一个新的神经网络框架，考虑了用户显式/隐式的正负反馈，通过大量的实验证实了该模型的有效性和鲁棒性。

先验知识

1. 显式反馈(explicit feedback)

例如: 用户对某商品/item的评分，或者明确的喜欢/不喜欢。

特点: 质量高，能够很明确的表达用户的喜好，但是数据非常稀疏。

2. 隐式反馈(implicit feedback)

隐式正反馈(implicit positive feedback): 例如 点击 行为。

隐式负反馈(implicit negative feedback): 例如 浏览(曝光)但是未点击 行为。

特点: 数据量多，但是噪声特别多。例如: 用户没有点击的也不一定是他不喜欢的。还有一点非常重要，推荐系统推荐给用户的item，即使没被点击，但是也可能是用户喜欢的，也可能包含了用户感兴趣的部分，这在后面的网络模型中，有体现。

方法

定义：

模型框架：

DFN网络如下图所示，主要有两部分组成: