本节超越了显式反馈，介绍了神经协同过滤 (NCF) 框架，用于使用隐式反馈进行推荐。隐式反馈在推荐系统中很普遍。点击、购买和观看等行为是常见的隐式反馈，易于收集并指示用户的偏好。我们将介绍的模型，名为 NeuMF （He等人，2017 年），神经矩阵分解的缩写，旨在解决具有隐式反馈的个性化排序任务。该模型利用神经网络的灵活性和非线性来替代矩阵分解的点积，旨在增强模型的表达能力。具体而言，该模型由两个子网络构成，包括广义矩阵分解 (GMF) 和 MLP，并对来自两个路径的交互进行建模，而不是简单的点积。这两个网络的输出被连接起来用于最终的预测分数计算。与 AutoRec 中的评分预测任务不同，该模型根据隐式反馈为每个用户生成一个排名推荐列表。我们将使用上一节介绍的个性化排名损失来训练这个模型。
21.6.1。NeuMF 模型
如前所述，NeuMF 融合了两个子网络。GMF 是矩阵分解的通用神经网络版本，其中输入是用户和项目潜在因子的元素乘积。它由两个神经层组成：
在哪里⊙表示向量的 Hadamard 乘积。 P∈Rm×k和 Q∈Rn×k分别对应于用户和项目潜在矩阵。 pu∈Rk是个uth 一排P和qi∈Rk是个 ith一排Q.α和h 表示输出层的激活函数和权重。 y^ui是用户的预测分数u可能会给物品i.
该模型的另一个组成部分是 MLP。为了增强模型的灵活性，MLP 子网不与 GMF 共享用户和项目嵌入。它使用用户和项目嵌入的串联作为输入。通过复杂的连接和非线性变换，它能够估计用户和项目之间复杂的交互。更准确地说，MLP 子网定义为：
在哪里W∗,b∗和α∗表示权重矩阵、偏置向量和激活函数。ϕ∗ 表示相应层的功能。z∗ 表示相应层的输出。
为了融合 GMF 和 MLP 的结果，而不是简单的加法，NeuMF 将两个子网络的倒数第二层连接起来，以创建一个可以传递给更多层的特征向量。之后，输出用矩阵投影
