论文笔记《deep matrix factorization with implicit feedback embedding for recommendation system》

• 1.宏观模型

DMF=数据预处理过程（对implicit feedback进行IFE编码、对side information 进行独热编码，两者用于生成users、item information pools）+DMF模型（1⃣️目标user、item信息从users、item information pools中挖掘出来 2⃣️通过特征转换函数生成user、item的隐因子 3⃣️ 预测的rating通过隐因子计算出来）

• 2.IFE(implicit feedback embedding)的定义

ps:本文中的implicit feedback graph是无权无向图、只包含了positive feedback
IFE的目标是将每一个user、item都映射成为k维向量

IFE计算概率：

由于之前提到的本文中的implicit feedback graph只有positive feedback，所以negative feedback的计算方式直接通过以下方式计算：

likelihood function就是对每个user和item的计算结果进行求和：

对数likelihood function形式如下：

根据最大似然估计（MLE)规则，通过最大化公式（4）可以求得users和items的embedding！

• 3.综合说明data preparation部分
  users和items1的side information直接通过独热编码的方式求出。
  最终信息的提取部分是各个信息的综合：

（DMF有综合多种信息的能力，本文中暂时是使用了IFE+side information的综合）

• 4.DMF模型定义
  

最小化E_DMF.

（DMF架构，注意F_u,F_v的维数需要一致）中间是MLP（绿色与褐色部分）

(MLP的定义示例）其中m是指dropout mask，这里定义了l层MLP.

• 5.优化与参数定义
  明天上午更新～