Neural Collaborative Filtering（NCF） 代码实战（Keras）

博客主要分为两部分。第一部分为论文简介，第二部分为代码实战。

论文简介：

1. 通用框架
下图是作者提出的用神经网络解决推荐系统问题的通用框架。论文先将用户与物品分别进行one-hot编码，然后通过一个Embedding层映射得到对应的向量，这就类似于矩阵分解（MF）中用户与物品的潜在相量。通过此操作可以使网络自己训练调整参数，还可以降低以及控制输入神经网络的维度。

2. GMF

GMF被称为广义矩阵分解，其原理图如上图所示（图片取自如雨星空的博文，链接在最后给出）。使用用户与物品Embedding后的潜在向量作为输入，输出层的计算公式为：

3. MLP

论文使用MLP（多层感知机）来学习用户和物品潜在向量之间的相互作用。网络示意图如上所示。MLP的计算公式：

4. NeuMF

将前面介绍的GMF与MLP相融合就得到了论文所提出的NeuMF，即NCF。作者让GMF和MLP共享相同的嵌入层（Embedding Layer），为了使得融合模型具有更大的灵活性，允许GMF和MLP学习独立的嵌入，并通过拼接它们最后的隐层输出使两种模型融合。具体公式如下：

5. 几个实验重点

• 论文采用leave-one-out。即，将每个用户最近的一次交互作为测试集（时间戳），将剩余记录作为训练集。为节省时间，随机抽取100个用户没有评分记录的物品，将测试物品与这100个物品一同评分然后排列。命中率（HR）和归一化折扣累积增益（NDCG）作为评估标准，且截取长度为10。因此，HR衡量测试项目是否存在于前10名列表中，而NDCG确定其位置。将这两个指标求取平均分作为衡量指标。