[论文解读] Joint Neural Collaborative Filtering for Recommender Systems

Wanyu Chen, Fei Cai+2 more|arXiv (Cornell University)|Jul 8, 2019

Recommender Systems and Techniques参考文献 55被引用 8

一句话总结

该论文提出了一种联合神经协同过滤（J-NCF）模型，这是一种统一的深度学习模型，通过共享神经网络联合优化用户和物品特征学习与用户-物品交互建模。通过整合显式和隐式反馈，并采用结合点对学习与成对学习的混合损失函数，J-NCF在真实世界数据集（如MovieLens 1M和Amazon Movies）上实现了最先进性能，HR@10最高提升10.81%，NDCG@10最高提升15.06%。

ABSTRACT

We propose a J-NCF method for recommender systems. The J-NCF model applies a joint neural network that couples deep feature learning and deep interaction modeling with a rating matrix. Deep feature learning extracts feature representations of users and items with a deep learning architecture based on a user-item rating matrix. Deep interaction modeling captures non-linear user-item interactions with a deep neural network using the feature representations generated by the deep feature learning process as input. J-NCF enables the deep feature learning and deep interaction modeling processes to optimize each other through joint training, which leads to improved recommendation performance. In addition, we design a new loss function for optimization, which takes both implicit and explicit feedback, point-wise and pair-wise loss into account. Experiments on several real-word datasets show significant improvements of J-NCF over state-of-the-art methods, with improvements of up to 8.24% on the MovieLens 100K dataset, 10.81% on the MovieLens 1M dataset, and 10.21% on the Amazon Movies dataset in terms of HR@10. NDCG@10 improvements are 12.42%, 14.24% and 15.06%, respectively. We also conduct experiments to evaluate the scalability and sensitivity of J-NCF. Our experiments show that the J-NCF model has a competitive recommendation performance with inactive users and different degrees of data sparsity when compared to state-of-the-art baselines.

研究动机与目标

• 解决传统协同过滤方法在捕捉复杂、非线性用户-物品交互方面的局限性。
• 克服现有基于深度学习的推荐系统在分离处理特征学习与交互建模时的不足。
• 通过统一神经网络架构，联合训练深度特征学习与深度交互建模，提升推荐性能。
• 通过联合优化与混合反馈集成，提升在数据稀疏性和对不活跃用户场景下的模型鲁棒性。
• 设计一种新型损失函数，结合点对学习与成对学习，更好地契合Top-N推荐目标。

提出的方法

• J-NCF采用双流深度神经网络：一者用于从用户-物品评分矩阵中学习用户与物品表征，另一者用于利用学习到的特征建模用户-物品交互。
• 该模型使用结合矩阵分解的深度神经网络，从显式评分与隐式反馈中提取用户与物品的特征表征。
• 用户-物品交互建模通过第二个神经网络完成，其输入为拼接后的特征向量，并通过非线性变换预测评分。
• 联合训练实现相互优化：更优的特征学习提升交互预测性能，更精确的交互建模则进一步优化特征表征。
• 引入一种混合损失函数，结合点对损失（用于评分预测）与成对损失（用于排序），从而提升Top-N推荐任务的性能。
• 模型通过反向传播进行端到端训练，超参数在多个数据集与稀疏度水平下进行调优以实现最优性能。

实验结果

研究问题

• RQ1 与解耦方法相比，联合训练深度特征学习与深度交互建模是否能提升推荐性能？
• RQ2 同时引入显式与隐式反馈如何影响神经协同过滤模型的性能？
• RQ3 结合点对学习与成对学习的混合损失函数在多大程度上提升了HR@10与NDCG@10等排序指标？
• RQ4 在数据稀疏性与对不活跃用户场景下，J-NCF相较于最先进基线模型的表现如何？
• RQ5 J-NCF在大规模、稀疏数据集上的可扩展性与计算效率如何？

主要发现

• 与最先进方法相比，J-NCF在MovieLens 100K数据集上HR@10最高提升8.24%，NDCG@10最高提升12.42%。
• 在MovieLens 1M数据集上，J-NCF使HR@10提升10.81%，NDCG@10提升14.24%，表明其在更大、更复杂数据集上的强大性能。
• 在Amazon Movies数据集上，J-NCF使HR@10提升10.21%，NDCG@10提升15.06%，表明其在多样化数据分布下的鲁棒性。
• J-NCF在所有用户活跃度水平下均优于最佳基线模型（DMF），尤其在不活跃用户上表现更优，显示出在数据稀疏性下的更强泛化能力。
• 尽管训练成本高于NCF，J-NCF仍保持了具有竞争力的推理速度，单用户生成Top-10推荐仅需数毫秒。
• 实验结果证实，J-NCF受益于更深的网络架构以及显式与隐式反馈的联合使用，且混合损失函数显著提升了整体性能。