机器学习笔记 - 构建推荐系统(5) 前馈神经网络用于协同过滤

一、多层感知器概述

​        协同过滤算法最常用于推荐系统的应用中。互联网用户对物品的偏好以评分矩阵的形式表示，用于建立用户和物品之间的关系以找到用户的相关物品。因此协同过滤算法面临着数据集大、评分矩阵稀疏的问题。

        在各种协同过滤技术中，矩阵分解是最流行的一种，它将用户和项目投影到共享的潜在空间中，使用潜在特征向量来表示用户或项目。矩阵分解的性能可能会受到交互函数的简单选择的阻碍：内积。简单地线性组合潜在特征的乘法的内积可能不足以捕捉用户交互数据的复杂结构。

        多层感知器是一种前馈神经网络，在输入层和输出层之间具有多个隐藏层。它可以被解释为非线性变换的堆叠层来学习分层特征表示。它是一个简洁但实用的网络，可以将任何可测量的函数逼近到任何所需的准确度（这种现象称为通用逼近定理）。因此，它是众多先进方法的基础，并被广泛用于许多领域。

二、相关论文解读

1、广泛和深度学习

        记忆和泛化对于推荐系统都至关重要。Google的论文“Wide and Deep Learning for Recommender Systems”（2016 年）提出了一个框架，可以结合宽线性模型和深度神经网络的优势来解决这两个问题。

        如下图所示，广域学习组件是一个单层感知器，可以使用叉积特征变换有效地记忆稀疏特征交互。深度学习组件是一个多层感知器，可以通过低维嵌入泛化到以前看不见的特征交互。