基于深度学习的推荐模型--NeuralCF

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 部分做的工作就是将 user 和 item 的 Embedding 做点积（对应元素相乘），得到一个和 Embedding 等长的向量，然后交给 一个逻辑回归，那样就会给隐向量进行对应元素相乘之后会有个权重， 也就是各个隐向量维度的重要性不一定相同了。 如果h hh是一个全1向量的话， 那模型实际上就是MF了。 这也就是Generalized Matrix Factorization (GMF)名字的来历。  

最后 作者就将GMF和MLP相结合提出了Neural CF的混合模型版， 整合了原始的Neural CF模型和以元素积伟互操作的广义矩阵分解模型， 使得模型有了更强的线性组合和非线性组合的表达能力。