La Raccomandazione · Il piatto giusto per te
He 2017 - Neural Collaborative Filtering: il framework NCF per la raccomandazione da feedback implicito
Ogni volta che una piattaforma suggerisce un film che non avevate mai sentito nominare, o un'app alimentare raccomanda una salsa che poi adorate, al cuore del sistema c'è un'operazione matematica: due liste di numeri — una per voi, una per il prodotto — vengono combinate per produrre un punteggio. Per trent'anni, quella combinazione era quasi sempre la stessa: moltiplicare le voci corrispondenti e sommare.
Veloce, affidabile, teoricamente elegante. Il problema è che il gusto umano non funziona così.
Il paper NCF ha posto la domanda: e se invece di progettare a mano quella regola di combinazione la facessimo imparare a una rete neurale da milioni di click, acquisti e salvataggi? La risposta, testata su valutazioni di film e segnalibri di immagini, è stata che la regola appresa superava sistematicamente il prodotto scalare fisso.
L'eleganza del metodo sta nel fatto che il vecchio approccio diventa un caso speciale: la rete può scegliere, dai dati, di comportarsi esattamente come il metodo classico se questo è il migliore. In pratica quasi mai lo fa, preferendo combinazioni più elaborate che catturano la sorpresa nella preferenza umana.
Cosa dice, in breve
- He et al. 2017 presentano NCF (Neural Collaborative Filtering), un framework generale che sostituisce il prodotto scalare della fattorizzazione matriciale con una rete neurale capace di apprendere funzioni di interazione arbitrarie a partire da feedback implicito binario (click, visualizzazioni, acquisti).
- Il framework comprende tre istanziazioni: GMF (prodotto elemento per elemento dei vettori latenti con uscita sigmoidale — generalizzazione della MF classica), MLP (concatenazione dei vettori utente e item elaborata da una torre ReLU), e NeuMF (embedding separati per GMF e MLP, fusi nello strato penultimo).
- L'obiettivo di training è la cross-entropia binaria (log loss) con campionamento negativo (4 negativi per positivo), trattando la raccomandazione come problema di classificazione binaria anziché regressione.
- NeuMF con pre-training (GMF e MLP addestrati prima con Adam, poi NeuMF inizializzato dai loro pesi e affinato con SGD) ottiene guadagni relativi medi del 4,5% su eALS e del 4,9% su BPR su HR@10 e NDCG@10 (MovieLens-1M e Pinterest).
- Layer MLP più profondi migliorano monotonicamente le prestazioni: MLP-0 (nessuno strato nascosto) è comparabile all'ItemPop non personalizzato; MLP-4 (quattro strati) ottiene i migliori risultati MLP su entrambi i dataset.
- Il ratio ottimale di campionamento negativo è compreso tra 3 e 6 negativi per positivo; oltre 7 su Pinterest le prestazioni degradano.
- Il framework è esplicitamente progettato per essere esteso a cold-start (sostituendo gli ID one-hot con feature di contenuto) e a informazioni ausiliarie; learner a coppie e segnali temporali sono identificati come lavori futuri.
Provenienza
- Fonte
- Neural Collaborative Filtering— He 2017
- Licenza
- CC BY 4.0
- Nel Kosmos
- 3 voci · 109 fatti atomici · tier MAIOR
↯ Questa è una voce vera del nostro Knowledge Graph, ancorata alla sua fonte — non un testo generato da un modello. Il colore riflette il tipo reale di studio, mai gonfiato.