跳转至

阅读第一篇论文 Neural Collaborative Filtering

约 917 个字

起因

由于缺乏一定基础，所以学长告诉我可以阅读一些相对基础的论文，而 Papers With Code 上有一些高被引论文，是领域内相对基础的论文，

而 推荐系统 (Recommendation Systems) 相关的可见于 Recommendation Systems | Papers With Code - https://paperswithcode.com/task/recommendation-systems

翻到页面下方有个 Most implemented papers 部分，就可以看到高被引论文

most_implemented_papers

发现从主页点击 Browse State-of-the-Art 可以看到各个领域，然后可以找到 推荐系统 Recommendation Systems

browse_state-of-the-art

所以我打算看看排在第一的论文 Neural Collaborative Filtering

准备

B站上简单搜索了应该如何去阅读论文文献，

怎么找论文、怎么读论文、怎么找代码？这里通通告诉你！计算机博士手把手教你如何高效的阅读一篇科研论文，简直就是研究生福音！_哔哩哔哩_bilibili

paper_reading_method_1

paper_reading_method_2

paper_reading_method_3

paper_reading_method_4

paper_reading_method_5

paper_reading_method_6

泛读论文

摘要 Abstract

  • 背景：
    • 深度神经网络 DNN (Deep Neural Networks) 在诸多领域取得巨大成功/广泛应用，但在推荐系统领域受到的关注相对较小
    • 推荐系统领域中，主流的方法在模型化关键的因素时，是将信息存储在矩阵当中，然后计算 内积 (inner product) 来表现潜在的特征
  • 采用的方法概述：通过用一种神经架构来替代计算内积，提出了一个通用框架 Neural network-based Collaborative Filtering
  • 效果：相比与(当时)最先进的方法显示出了巨大的提升

结论 Conclusion

他们的框架是 简单而通用 simple and generic 的，不局限于论文中的模型，而其设计目的是作为开发 推荐 recommendation 深度学习方法的指南，这补充了主流的筛选/过滤模型，开创了一个新的研究基于深度学习的推荐的通道

精读论文

10.10

引言 Introduction

Introduction部分主要讲了

  • 在模型化用户偏好/构建用户的偏好模型的过程中，矩阵分解 Matrix Factorization (MF) 是最流行的方法

  • Matrix Factorization (MF) 方法具有局限性，

    1. 其表现/效果容易被一些微小的改变妨碍/影响，如 简单的内积的选择
    2. 只是简单混合了模型特征的乘积的内积，可能不足以抓取/获取到用户交互数据的复杂结构

  • 深度神经网络 Deep Neural Network (DNN) 在多个领域内都表现良好，但在推荐系统方面却只有相对较少的应用，并且大都是将DNN应用于MF中

  • 在他们研究的DNN应用中，注重隐式的反馈 implicit feedback，即一些不直接反映用户偏好的行为，如观看视频，购买产品。

    相比于显式反馈 (explicit feedback)，隐式反馈能被自动追踪，因而跟容易收集

  • 在该文的研究中，他们主要探索如何应用DNN来使用复杂/嘈杂的隐式反馈信号来构建模型

    主要的贡献有

    1. 提供了一个神经网络架构来模型化用户和物品之间的潜在特征，开发一个通用的框架NCF
    2. 展示出MF能被解释成一个特殊化的NCF(NCF的一个特例)，应用多层感知器为NCF模型化过程赋予了高非线性的(处理)能力
    3. 在两组真实世界的数据集上广泛地试验，论证了NCF方法的有效性和深度学习对于协同过滤的可靠性/可行性/保障性
最后更新: 2023-10-21
创建日期: 2023-10-08

评论