推荐系统5 NeuralCF模型

转载 已于 2022-09-22 16:59:16 修改 · 229 阅读 · 0 ·
CC 4.0 BY-SA版权
原文链接：https://blog.youkuaiyun.com/zhao254014/article/details/126550306
文章标签：

#深度学习 #人工智能

于 2022-09-22 15:25:38 首次发布
NeuralCF模型是在传统矩阵分解(MF)基础上改进而来，利用多层神经网络替代简单的点积操作，以增强向量间关系的表达能力。模型包含GMF和MLP两部分，GMF保留了传统MF的优点，而MLP则通过多层神经网络捕捉更复杂的特征交互。

NeuralCF模型_只想做个咸鱼的博客-优快云博客

Neural CF是从传统的MF进行改进，吧MF里用户向量和物品向量的点积操作换成多层神经网络，是两个向量进行更充分地交叉

传统的内积为一种低纬度的相似关系向量之间的相似关系是高维的，但是通过内积计算的相似度是低维的，高维的相似关系映射到低维之后，表达能力不足。所以为了更好的表示向量之间的关系，基于深度学习网络，作者想出了用一个多层的神经网络来代替简单的内积运算，来增强模型的学习能力，这个就是NeuralCF的基本思想。

Neural MF

GMF和MLP组合

是Neural CF的混合版，左右两部分组成，GMF层接收用户和物品的embedding向量，然后做一个内积运算，右面是一个多层神经网络，接收embedding，经过多个全连接层，拼接，再过一个全连接层得到最后的输出。

【王喆-推荐系统】模型篇-(task6)NeuralCF模型
发现问题，并解决问题，批判性思维
11-04 1499
学习心得 （1）首先学习了经典推荐算法协同过滤的深度学习进化版本 NerualCF。相比于矩阵分解算法，NeuralCF 用一个多层的神经网络，替代了矩阵分解算法中简单的点积操作，让用户和物品隐向量之间进行充分的交叉。通过改进物品隐向量和用户隐向量互操作层的方法，增强模型的拟合能力。 （2）利用 NerualCF 的思想，改进出双塔模型。其特点优势： 1）它通过丰富物品侧和用户侧的特征，让模型能够融入除了用户 ID 和物品 ID 外更丰富的信息，ex：YouTube就使用召回层的双塔模型，融入除了用户id和
推荐系统--n--模型NeuralCF
m0_37531129的博客
12-21 862
NeuralCF是对协同过滤的改进。
推荐系统之NeuralCF模型
qq_38375203的博客
05-25 945
前言 今天开始整理讲解NeuralCF模型，这个模型相比较AutoRec和DeepCrossing添加了更多特征交叉的想法，前面讲解的AutoRec和Deep Crossing模型是在神经网络的复杂度和层数方面进行的进化，而这两个模型也是使用深度学习从用户和物品相似度的角度来进行系统推荐的， 但是这两个模型在特征交叉这个方面并没有进行很合理的设计，更多的是使用了全连接层来增加了模型的复杂度和使得所有特征进行了一个统一的交叉。这样存在着很大的问题，即两个毫不相关的特征也较交叉在了一起，这就使得对模型权重有所
NeuralCF 推荐模型
Harrytsz的博客
05-12 631
文章目录一、导包二、读取数据三、特征编码处理四、使用具名元组为特征进行处理五、构建模型5.1 输入层5.2 Embedding层5.3 GML5.4 MLP5.5 输出层5.6 构建模型六、运转模型绘制网络结构图 下图为 NeutralCF 的模型结构图，总共两个分支，第一个分支为GML，第二个为MLP，GML 通路将两个特征的 Embedding 向量进行内积操作，MLP 将两个特征的 Embedding 的向量进行拼接，然后使用多层感知机进行传播，然后将两个通路输出的向量进行拼接，导入全连接层（输出层）
推荐系统之NeuralCF
张先生－您好的博客
07-04 722
推荐系统之NeuralCF 模型框架 Neural CF模型是从传统的协同过滤方法(MF)的基础上进行的改进， 把MF里面用户向量和物品向量的点积操作换成了多层的神经网络， 使得两个向量可以做更充分的交叉， 得到更多有价值的特征组合信息， 另外一个就是神经网络的激活函数可以引入更多的非线性， 让模型的表达能力更强。 GMF和MLP如何融合？ import torch import torch.nn as nn import torch.nn.functional as F from torchkera
【推荐系统】NeuralCF的理解
qq_39321513的博客
02-16 765
GMF模型公式的理解与缺点 NCF还保留着MF的缺点，采用内积的方式计算评分使得预测不准确，模型的表达能力不足（内积的方式过于简单） NCF中的广义矩阵分解GMF部分采用将user和item的embedding先进行元素积，再输入线性层的方式计算分数，本质和MF的内积计算分数差不多，只是在MF的内积的各个元素上赋予了权值而已（推导见下图）。当这些权值为1的时候GMF就退化为MF（在不考虑激活函数的情况下）。 NCF(混合)模型： GMF内积之后的结果和MLP部分的结果拼接送入预测层 GMF和.
推荐系统- NCF（Neural Collaborative Filtering）的推荐模型与python实现
JohnBanana的专栏
06-10 7239
引言： 本文主要表述隐式反馈的基础上解决推荐算法中的关键问题协同过滤。 尽管最近的一些工作已经将深度学习用于推荐系统中，但他们主要将其用于辅助信息建模，例如物品的文字描述和音乐的声学特征。 当涉及到协同过滤建模的关键因素即用户和物品特征之间的交互时，他们仍然致力于使用矩阵分解，并在用户和物品的潜在特征上应用了内积运算。 通过将内积运算替换为可以从数据中学习任意函数的神经体系结构，本文提出了一个名为NCF（Neural network based Collaborati...
推荐系统5--NeuralCF与PNN模型(改变特征交叉方式)
weixin_41403341的博客
06-02 801
一，前言——推荐系统传统机器学习方法和深度方法的一些理解 深度学习时代，推荐模型主要有下面两个进展： 1，与传统的机器学习模型相比，深度学习模型的表达能力更强，能够挖掘更多数据中隐藏的模式 2，深度学习模型结构非常灵活，能够根据业务场景和数据特点，灵活调整模型结构，使模型与应用场景完美结合。 推荐系统算法两个根本性思路是： 1，用户和物品的表征，也就是如何更好的把用户特征和物品特征信息表示出来，比如矩阵分解（MF）模型就是属于这个思路上的，使用了embeding的思路来表示用户和物品，从而用向量的乘积来表示
【推荐系统】wide&deep模型、NeuralCF模型 笔记
m0_51933492的博客
09-16 815
Deep：DNN模型，提高模型的泛化能力。Wide：简单的广义线性模型，其特征组合需要人去设计，依赖人工特征工程。注重模型的记忆能力。
推荐系统实践 0x11 NeuralCF
卢之
12-18 271
前言 这一篇文章我们来谈一下2017年新加坡国立大学提出的基于深度学习的协同过滤模型NeuralCF。我们在之前讲过矩阵分解技术，将协同过滤中的共现矩阵分解成用户向量矩阵以及物品向量矩阵。那么Embedding的思路也是一样的，只不过不是通过矩阵分解的形式，而是通过多层神经网络使用Embedding构造用户隐向量以及物品隐向量。用户隐向量与物品隐向量的內积，就是用户对物品的评分。这个內积的操作，...
neural CF神经系统协同过滤
11-27
神经系统协同过滤 In recent years, deep neural networks have yielded immense success on speech recognition, computer vision and natural language processing. However, the exploration of deep neu- ral networks on recommender systems has received relatively less scrutiny. In this work, we strive to develop techniques based on neural networks to tackle the key problem in rec- ommendation — collaborative filtering — on the basis of implicit feedback.
推荐系统实践（六）CF 图模型
HouLei
05-21 2617
二部图 在推荐系统中，用户行为数据可以表示成图的形式，具体来说是二部图。用户的行为数据集由一个个（u,i）二元组组成，表示为用户u对物品i产生过行为 其中，users集U={A, B, C}，items集I = {a,b,c,d}。则用户物品的二部图为： 图中顶点的相关度主要取决与以下因素： 1）两个顶点之间路径数 2）两个顶点之间路径长度 3）两个顶点之间路径经过的顶点 而相关性高的顶点一般...
NeuralCF-神经协同过滤网络
YCCNUST的博客
06-27 1131
NeuralCF推荐模型
Neural Collaborative Filtering (NeuralCF)
bbbeoy的专栏
12-16 260
https://blog.youkuaiyun.com/qq_48314528/article/details/109400730 https://blog.youkuaiyun.com/stalbo/article/details/79431662 https://zhuanlan.zhihu.com/p/160158270
基于深度学习的推荐模型--NeuralCF
qq_42586738的博客
02-21 528
介绍一下它，首先也还是回顾cf的回顾 但是这个模型由于结构太简单，计算也太简单， 使得输出层无法对目标进行有效的拟合。 简单来说就是原始向量被隐向量相乘表达时被表达的并不准确。可以看下图。 直观的看， 是隐向量计算相似度的时候存在问题， 因为相似度是夹角衡量的， 夹角关系在降维之后有可能发生了错乱， 但是这间接的说明了单单使用内积不足以可靠的预测评分。 所以我们就把单纯的点积操作给换成了一个mlp GMF 作者指出如果上图中的 Neural CF Layers ...
NeuralCF模型——CF与深度学习的结合
LitraLIN的博客
10-31 5573
1、前言 尽管最近的一些工作已经将深度学习运用到了推荐的任务中，但只是用深度学习给一些辅助的信息建模例如项目中的文字描述或音乐的声学特征等等。在表示用户与项目之间的交互仍然使用矩阵分解德国用内积来建模。本篇论文主要是用多层神经网络给用户和数据之间的交互建模，我们的数据主要是居于隐式反馈（例如购买记录，浏览记录等）在本文中，我们 探讨了如何利用DNN来模拟噪声隐式反馈信号的中心问题。 显示反馈（explicit feedback）：用户直接反映其对产品的喜好信息，如评分等等。 隐式反馈（implicit f
NeuralCF模型
zhao254014的博客
08-30 2243
利用不同的互操作进行特征的交叉组合， 并可以灵活进行不同互操作层的拼接。
NeuralCF 模型：神经网络协同过滤模型
最新发布
Mike的博客
02-03 1682
NeuralCF 模型由新加坡国立大学研究人员于 2017 年提出，其核心思想在于将传统协同过滤方法与深度学习技术相结合，从而更为有效地捕捉用户与物品之间的复杂交互关系。该模型利用神经网络自动学习用户和物品的低维表示，并通过这些表示实现对用户评分的精准预测。NeuralCF 模型融合了矩阵分解与深度学习两种方法的优势，采用基于神经网络的结构来建模用户与物品间的非线性交互。传统矩阵分解方法通过计算用户与物品隐向量的内积来进行评分预测，而 NeuralCF 则利用多层感知机（MLP）对用户与物品隐向量进行联合建
NeuralCF及双塔模型
anqi3776的博客
02-05 1048
NeuralCFNeuralCF 模型的扩展，双塔模型优势：易上线、易服务NeuralCF 的 TensorFlow 实现NeuralCF 的双塔版本 协同过滤是利用用户和物品之间的交互行为历史，构建出一个像图 1 左一样的共现矩阵。在共现矩阵的基础上，利用每一行的用户向量相似性，找到相似用户，再利用相似用户喜欢的物品进行推荐。 输入层是由用户 ID 和物品 ID 生成的 One-hot 向量，Embedding 层是把 One-hot 向量转化成稠密的 Embedding 向量表达，这部分就是矩阵分解中
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