想要了解推荐系统？看这里！（2）——神经网络方法

矫情吗；* 2024-04-17 06:29 64阅读 0赞

> 以下内容由第四范式先荐团队编译， [原文][Link 1]发布于 **Medium，**作者 **Steeve Huang。**转载内容仅用于学习交流，版权归原作者所有。

## 1.背景 ##

在上一篇文章[《想要了解推荐系统？看这里！（1）——协同过滤与奇异值分解》][1]中，我们谈到了协同过滤（CF）与奇异值分解（SVD）如何用于构建推荐系统。随着神经网络的兴起，如何利用这种技术构建推荐系统也引起了很多人的关注。这篇博文将介绍Spotlight——由PyTorch支持的推荐系统框架。

## 2. Spotlight ##

Spotlight是一个很好实现的python框架，用于构建推荐系统。它包含两种主要类型的模型，分解模型和序列模型。

分解模型利用SVD背后的思想，将效用矩阵（记录用户和项目之间交互的矩阵）分解为用户和项目矩阵的两个潜在表征，并将它们反馈到网络中。

序列模型使用时间序列模型构建，例如长期短期记忆（LSTM）和一维卷积神经网络（CNN）。由于Spotlight的后端是PyTorch，请确保在使用PyTorch之前已安装了正确版本的PyTorch。

**交互**

在Spotlight中，效用矩阵被称为交互。要创建隐式交互，我们为每一用户-项目交互对分别指定ID。附加的评级信息则把隐式交互转换为显式交互。

**分解模型**

分解模型采用隐式或显式交互。接下来本文将对隐式交互进行简要说明。

隐式交互的理念与SVD非常相似，用户和物品被映射到潜在空间，可以直接进行比较。一般来说，我们用两个嵌入层分别表示用户和项目。

目标是我们传入的交互（效用矩阵）。为了计算用户-项目对的得分情况，我们采用该用户和项目的潜在表征的点积，并将其传递给sigmoid激活函数。

通过计算真实交互的所有用户-项目对的损失，我们可以反向传播和优化嵌入层，结构如下图所示。

这种模型只需要几行代码就能在Spotlight中训练，它看起来与scikit-learn工具包非常相似：

**顺序模型**

顺序模型将推荐问题视为顺序预测问题。有了用户之前的交互行为数据，我们想要知道用户在下一个时间步中最可能喜欢的项目。

例如，假设用户A与\[2,4,17,3,5\]序列中的项目有了交互行为。接下来我们将进行以下扩展窗口预测。

[2] -> 4
    [2, 4] -> 17
    [2, 4, 17] -> 3
    [2, 4, 17, 3] -> 5
     复制代码

左侧的数组存储用户之前的交互行为，而右侧的整数表示用户A接下来要与之发生交互的项目。

为了训练这样的模型，我们只需将原始交互对象转换为顺序交互对象。其余对象同理。

需要注意的是，为了确保每个序列具有相同的长度，Sequence函数会在长度不足的序列前边补零。

因此，为了确保该函数起作用，ID为0的项目应该更改为其他未被使用的任一ID号。

**选择损失函数**

在指定模型时，我们可以灵活地更改损失函数。具有不同损失函数的模型可能在性能上具有显著差异。接下来本文将简要介绍Spotlight中定义的两种主要类型的损失函数。

*  'pointwise'：

与其他形式的损失函数相比，这是最简单的形式。由于样本的稀疏性（效用矩阵中存在多个0），把所有项目都考虑在内则会无法计算。因此，我们只考虑随机选择的一部分负样本（用户未与之交互的项目）和所有的正样本。

*  'bpr'：

贝叶斯个性化排序（BPR）为每位用户提供每个项目的排序。BPR运用以下计算公式，以确保正样本的等级高于负样本的等级。

ranking loss

## 5.结论 ##

本文讨论了如何用Spotlight构建推荐系统。这种方法既简单又灵活，能满足大部分需求。虽然对于大多数问题而言，序列模型优于分解模型，但是训练序列模型需要更长的时间。此外，如果数据之间没有明显的顺序相关性，那么应用序列模型用处不大。

**相关阅读：**

[想要了解推荐系统？看这里！（1）——协同过滤与奇异值分解][1]

[AutoML如何实现智能推荐系统的自动上线和运维？][AutoML]

[如何实现AI赋能新媒体的技术落地？][AI]

[入门推荐系统，你不应该错过的知识清单][Link 2]

如欲了解更多，欢迎搜索并关注官方微博@先荐、微信公众号（**ID：dsfsxj）**。

转载于:https://juejin.im/post/5d1191b65188253274728351

[Link 1]: https://link.juejin.im?target=https%3A%2F%2Flink.zhihu.com%2F%3Ftarget%3Dhttps%253A%2F%2Ftowardsdatascience.com%2Fintroduction-to-recommender-system-part-2-adoption-of-neural-network-831972c4cbf7
[1]: https://juejin.im/post/5d022726e51d4510a73280a4
[AutoML]: https://juejin.im/post/5ce25458e51d4510bd65c744
[AI]: https://juejin.im/post/5cd39a50f265da03705fd001
[Link 2]: https://juejin.im/post/5c3d70ce6fb9a049c965ee01