推荐算法论文：Neural Collaborative Filtering

吹牛逼

1. 用户和商品的隐向量依然通过MF（矩阵分解）的方式来获取，深度网络仅仅用来抽取side信息，例如商品的文本，语音？等
2. 提出了NCF框架，NCF可以衍生出矩阵分解，如果使用神经网络可以进一步增强模型的非线性能力
3. 提出了一个假设，多层神经网络可以学习user-item的交叉函数

1.介绍

第一段

1. 推荐系统可以有效缓解信息过载，当前已经被应用在，电商，新闻和社交媒体，核心是可以通过用户历史信息建立协同过滤模型
2. MF可以将用户和商品映射到统一的隐向量空间，使用隐向量表征用户和商品，这样直接可以使用两个隐向量的点积来计算ctr

第二段

1. MF已经是一个默认的隐向量抽取方法，当前有许多基于MF的改进模型，例如factorization machines
2. MF虽然有效，但是因为交叉方式使用了简单的点积，这会影响MF的效能
3. 巴拉巴拉，不知道在说什么

第三段

1. 本文探索使用神经网络的方式来探索如何构建交叉特征，之前主要还是使用MF或者人工来构建交叉函数。相当于是目标求$y=f(u,i)$，然后使用神经网络拟合$f$函数。大兄弟，这都17年的文章了，竟然还用这么简单粗暴的方法吗？看看google的两篇深度学习的文章。
2. 深度学习依然在抽取商品的side信息。简直是睁着眼睛说瞎话！！！࿰