前置点评： 这篇文章比较朴素，创新性不高，基本是参照了google的word vec方法，应用到推荐场景的i i相似度计算中，但实际效果看还有有提升的。主要做法是把item视为word，用户的行为序列视为一个集合，item间的共现为正样本，并按照item的频率分布进行负样本采样，缺点是相似度的计算还只是利用到了item共现信息， .忽略了user行为序列信息 .没有建模用户对不同item的喜欢程度 ...
2018-01-11 23:41 0 968 推荐指数：
将word2vec思想拓展到序列item的2vec方法并运用到推荐系统中，实质上可以认为是一种cf 在word2vec中，doc中的word是具有序列关系的，优化目标类似在max对数似然函数 应用在item2vec上，可以有两种看待方式： （1）如果item是强时序关系 ...
本文是我在阅读推荐系统经典论文 Item-Based Collaborative Filtering Recommendation Algorithms 时候记录的笔记。 协同过滤算法 协同过滤算法（collaborative filtering algorithm, CF）基于当前用户先前 ...
/58805184 embedding入门到精通的paper,包括graph embedding ...
ABSTRACT 主要点为用MLP来替换传统CF算法中的内积操作来表示用户和物品之间的交互关系. INTRODUCTION NeuCF设计了一个基于神经网络结构的CF模型.文章使用的数据 ...
概要： 推荐系统通过信息获取技术解决在线的个人的消息、产品或者服务的推荐问题。这些系统，特别是基于k临近协同过滤算法，在网络上取得了广泛的成功。可用信息和访问人数的巨大增加成了推荐系统一个难题。基于商 ...
【论文的思路】 NCF 框架如上： 1、输入层：首先将输入的user、item表示为二值化的稀疏向量（用one-hot encoding） 2、嵌入层（embedding）：将稀疏表示映射为稠密向量（？？如何映射） 所获得的用户（项目）的嵌入（就是一个稠密向量 ...
item2vec将用户的行为序列转化成item组成的句子，模仿word2vec训练word embedding将item embedding。基本思想是把原来高维稀疏的表示方式(one_hot)映射到低维稠密的向量空间中，这样我们就可以用这个低维向量来表示该项目(电影)，进而通过计算两个低维向量 ...
。于是，提出了一个新的推荐框架Neural Graph Collaborative Filtering ( ...
