電子發(fā)燒友網(wǎng)>電子資料下載>電子資料>PyTorch教程21.6之用于個(gè)性化排名的神經(jīng)協(xié)同過濾

PyTorch教程21.6之用于個(gè)性化排名的神經(jīng)協(xié)同過濾

2512975 2023-06-06 | pdf | 0.20 MB | 次下載 | 免費(fèi)

資料介紹

本節(jié)超越了顯式反饋，介紹了神經(jīng)協(xié)同過濾 (NCF) 框架，用于使用隱式反饋進(jìn)行推薦。隱式反饋在推薦系統(tǒng)中很普遍。點(diǎn)擊、購(gòu)買和觀看等行為是常見的隱式反饋，易于收集并指示用戶的偏好。我們將介紹的模型，名為 NeuMF （He等人，2017 年），神經(jīng)矩陣分解的縮寫，旨在解決具有隱式反饋的個(gè)性化排序任務(wù)。該模型利用神經(jīng)網(wǎng)絡(luò)的靈活性和非線性來替代矩陣分解的點(diǎn)積，旨在增強(qiáng)模型的表達(dá)能力。具體而言，該模型由兩個(gè)子網(wǎng)絡(luò)構(gòu)成，包括廣義矩陣分解 (GMF) 和 MLP，并對(duì)來自兩個(gè)路徑的交互進(jìn)行建模，而不是簡(jiǎn)單的點(diǎn)積。這兩個(gè)網(wǎng)絡(luò)的輸出被連接起來用于最終的預(yù)測(cè)分?jǐn)?shù)計(jì)算。與 AutoRec 中的評(píng)分預(yù)測(cè)任務(wù)不同，該模型根據(jù)隱式反饋為每個(gè)用戶生成一個(gè)排名推薦列表。我們將使用上一節(jié)介紹的個(gè)性化排名損失來訓(xùn)練這個(gè)模型。

21.6.1。NeuMF 模型

如前所述，NeuMF 融合了兩個(gè)子網(wǎng)絡(luò)。GMF 是矩陣分解的通用神經(jīng)網(wǎng)絡(luò)版本，其中輸入是用戶和項(xiàng)目潛在因子的元素乘積。它由兩個(gè)神經(jīng)層組成：

(21.6.1)x=pu⊙qiy^ui=α(h?x),

在哪里⊙表示向量的 Hadamard 乘積。 P∈Rm×k和 Q∈Rn×k分別對(duì)應(yīng)于用戶和項(xiàng)目潛在矩陣。 pu∈Rk是個(gè)uth 一排P和qi∈Rk是個(gè) ith一排Q.α和h 表示輸出層的激活函數(shù)和權(quán)重。 y^ui是用戶的預(yù)測(cè)分?jǐn)?shù)u可能會(huì)給物品i.

該模型的另一個(gè)組成部分是 MLP。為了增強(qiáng)模型的靈活性，MLP 子網(wǎng)不與 GMF 共享用戶和項(xiàng)目嵌入。它使用用戶和項(xiàng)目嵌入的串聯(lián)作為輸入。通過復(fù)雜的連接和非線性變換，它能夠估計(jì)用戶和項(xiàng)目之間復(fù)雜的交互。更準(zhǔn)確地說，MLP 子網(wǎng)定義為：

(21.6.2)z(1)=?1(Uu,Vi)=[Uu,Vi]?(2)(z(1))=α1(W(2)z(1)+b(2))...?(L)(z(L?1))=αL(W(L)z(L?1)+b(L)))y^ui=α(h??L(z(L?1)))

在哪里W?,b?和α?表示權(quán)重矩陣、偏置向量和激活函數(shù)。?? 表示相應(yīng)層的功能。z? 表示相應(yīng)層的輸出。

為了融合 GMF 和 MLP 的結(jié)果，而不是簡(jiǎn)單的加法，NeuMF 將兩個(gè)子網(wǎng)絡(luò)的倒數(shù)第二層連接起來，以創(chuàng)建一個(gè)可以傳遞給更多層的特征向量。之后，輸出用矩陣投影