标签:layer Filtering Collaborative Neural item 嵌入 user embedding
研究目标
学习user和item的向量表示是推荐系统的核心,但在从早期的矩阵分解,到现在的深度学习,都是利用已经存在的特征来进行embedding表示。本文认为,隐藏在user-item之间的编码信息无法在embedding编码的过程中表示出来,因此,由此产生的嵌入可能不足以捕获协作过滤效果。于是,提出了一个新的推荐框架Neural Graph Collaborative Filtering (NGCF) ,它可以在图结构中学习嵌入表示,让模型可以表达高维特征,显示地将协同过滤信号放入到嵌入过程中。
模型简介
假设用户为u,项目为i,我们可以画出user-item的二部图,同时根据二部图可以将u1的高维连接表示出来,如下图所示。
对于整体的模型框架有三个主要的部分:
- embedding layer:提供初始的user embedding 和 item embedding
- multiple embedding propagation layers:通过注入高阶连接关系来细化嵌入
- the prediction layer:通过整合多层嵌入来预测(u,i)
embedding layer
标签:layer,Filtering,Collaborative,Neural,item,嵌入,user,embedding 来源: https://www.cnblogs.com/simplekinght/p/11271677.html
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。