NCF在推荐领域应用背景
CF，也就是协同过滤，在推荐领域有极其广泛的应用，应该没有谁的智能推荐系统是没用到过CF的。CF其实就是挖掘user和item的交互关系，然后生成I2I或者U2I表示向量。传统的CF从数学角度上还是偏行为统计计算的，没有用到很复杂的网络。因为深度学习很火，也是有一些关于Neural Collaborative Filtering的工作。今天介绍一下最近看的叫《Neural Collaborative Filtering》这篇论文。也有一个对应的开源项目，地址：
https://github.com/hexiangnan/neural_collaborative_filtering
有兴趣的做推荐相关工作的同学，可以在自己的工作中用用。
隐式反馈vs显式反馈
其实把任何算法前面加个N，改成neural某某都是比较好发paper或者取得效果的。这篇文章比较有意思的一个点我觉得不在于将GMF或者MLP加在CF中，而是为CF构建了一套针对隐式反馈的建模理论。
说到这里先要提下隐式反馈和显式反馈。首先推荐业务一般都是按照有监督学习方式建模，也就是说要构建特征和目标列。在目标列的选择上一般会认为购买、点击、收藏这种行为是正样本，标记成label=1，其它行为全都是0。
但是这其中有一些问题，有的时候点击了的不一定是用户真正喜欢的，没点击的不一定是用户不喜欢的。
在虎扑上经常看到这样的问题：
以上9个女生哪个最好看，大部分人会给出最好看的那个选择，但是并不表明他觉得剩下8个不好看。如果只以他觉得最好看的那个女生作为正样本去构建他的审美模型，肯定是不能完全覆盖用户的兴趣，这是显式反馈的建模机制。
对应以上的问题，隐式反馈是另一种建模方案，在隐式反馈中只要用户去看了某个女生，就把这个女生当成正样本，不看的当成负样本，这样就减少了构建样本时的误差（毕竟不感兴趣的也不会去看）。也就是说隐式反馈更多地是算一个概率，user和item是否会发生交互。
NCF网络结构
网络结构如上，底层输入是user和item的one-hot编码结果。在网络训练层使用了两种网络结构，一种是GMF（Geberakuzed Matrix Factorization），另一种是MLP（Multi-Layer perceptron）。通过将GMF和MLP的输出特征结合，最终通过NeuMF Layer去产出user和item交互的概率。就不展开解释了，具体推导见论文。
总之，通过NCF可以比较快速的user和item的潜在交互概率，可以作为推荐系统中的一个重要的召回链路输入。
参考文献：
[1]https://blog.csdn.net/xxiaobaib/article/details/99116755
来源：oschina
链接：https://my.oschina.net/u/4299659/blog/4678189