论文阅读 DeepCF: A Unified Framework of Representation Learning and Matching Function Learning in Recommender System

DeepCF一文发表在AAAI 2019上,作者将基于表示学习的方法与基于匹配函数学习的方法进行了融合,极大地改进了模型性能。

现有方法的不足

  1. 在预测匹配分数时, 现有的基于表示学习的方法使用了简单的点积或者余弦相似度,严重地限制了模型的表达能力。

  2. 现有的基于匹配函数的方法,常常使用MLP作为匹配函数,而MLP无法对低秩关系进行充分的建模。

问题描述

假设有M个用户,N个物品。

根据用户的隐式反馈,构建用户-物品交互矩阵$:\mathbf{Y} \in \mathbb{R}^{M \times N}$
$$
y_{ui} =
\begin{cases}
1, & \mathrm{if\ interaction\ (user}\ u, \mathrm{item}\ i)\ \mathrm{is\ observed;} \\
0, & \mathrm{otherwise}
\end{cases} \tag{1}
$$
假设$y_{ui}$服从伯努利分布(二项分布):
$$
P(y_{ui} = k | p_{ui}) =
\begin{cases}
1 - p_{ui}, & k = 0 \\
p_{ui}, & k = 1
\end{cases}
=p_{ui}^k (1 - p_{ui})^{1-k} \tag{2}
$$

目标函数

似然函数:
$$
\begin{align}
L &= \prod_{(u,i) \in \mathcal{Y}^+ \cup \mathcal{Y}^-} P(y_{ui} | \Theta) \\
&= \prod_{(u,i) \in \mathcal{Y}^+ \cup \mathcal{Y}^-} \hat y_{ui}^{y_{ui}} (1 - \hat y_{ui})^{1 - y_{ui}}
\end{align} \tag{3}
$$
其中,$\mathcal{Y}^+$表示$\mathbf{Y}$中的正样本,$\mathcal{Y}^-$表示采集的负样本。

两边取对数:
$$
\ell_{BCE} = - \sum_{(u,i) \in \mathcal{Y}^+ \cup \mathcal{Y}^-} y_{ui} \log \hat y_{ui} + (1 - y_{ui}) \log (1 - \hat y_{ui}) \tag{4}
$$

DeepCF

处理过程

General Process

模型结构

CFNet

论文地址:https://arxiv.org/pdf/1901.04704.pdf

实验代码:https://github.com/familyld/DeepCF


----------本文结束感谢您的阅读----------
坚持原创技术分享,您的支持将鼓励我继续创作!