【搜索/推荐排序】NCF，Deep&Cross,Deep Crossing，高阶：AutoINt,AFN

0.交叉特征

在这里插入图片描述

1.NCF

1.1 问题：基于FM的问题

问题

FM->MF来自于矩阵分解的思想，所以也有矩阵分解的问题

实际上u1和u4更相似，但没有交互不代表不想似，而latent space隐式空间考虑的是交互。
所谓潜在因素就是虽然用户与项目间有交互，但不一定用户就喜欢了，而没交互也不代表不喜欢，这就对隐形学习带来了噪音

动机：神经网络替代点积

直接使用DNN从数据中学习交互函数（以代替MF的内积交互部分），从而突破了由于MF表达时的限制

1.2 NCF模型图

• GMF:通用矩阵分解，线性部分
  $\widehat{y_{ui}}=a_{out}(h^T(p_u\odot q_i))$
  $p_u$：用户向量,$q_i$：商品向量？item
  点乘，element-wise

• MLP：非线性部分

• 最终
  $NCF(x)=y_{ui}$