神经协同排名

推荐系统旨在生成一个个性化的排名列表，以供最终用户感兴趣的项目。随着深度学习在计算机视觉和语音识别领域的前所未有的成功，最近将推荐系统与深度神经网络结合的研究成为了热门话题。深度学习方法已在许多推荐任务中取得了最先进的成果。例如，最近的模型NeuMF，首先将用户和物品投影到某个共享的低维潜在特征空间中，然后利用神经网络来建模用户与物品潜在特征之间的交互，从而在推荐任务中获得最先进的性能。NeuMF假设未交互的物品是固有的负样本，并使用负采样来放宽这一假设。在本文中，我们考察了一种替代方法，该方法并不假设未交互的物品必然为负，只是认为它们比交互的物品更不受欢迎。具体而言，我们基于广泛使用的成对排序假设开发了一种新的分类策略。我们将我们的分类策略与最近提出的神经协同过滤框架结合，提出了一种通用的协同排名框架，称为基于神经网络的协同排名（NCR）。我们采用神经网络架构来建模用户对物品的成对偏好，相信神经网络将有效捕捉潜在因素的潜在结构。对两个真实世界数据集的实验结果表明，我们的模型与几种最先进的方法相比，表现优越。