【手把手带你实现序列召回推荐模型】Task01：Paddle开发深度学习模型快速入门

本次吃瓜教程是Datawhale组织的组队学习 。
开源技术：Datawhale x 百度飞桨
开源贡献：王凯、芙蕖、邱雯、张业勤
笔记部分内容来源于网络检索，如有侵权联系可删
本次学习针对的对象：
内容说明：Whalepaper入门课程，让初学者更好的学习推荐相关paper，掌握推荐系统基本方法。
定位人群：已学习过推荐系统基本知识，适合推荐系统 paper 入门初学者
学习周期：16天
本月队伍：吃干抹净-Rs-paper

Task01：Paddle开发深度学习模型快速入门

开源地址：https://aistudio.baidu.com/aistudio/course/introduce/27783
AI Studio 帮助文档：https://ai.baidu.com/ai-doc/AISTUDIO/Mk3bbl5xb

第一次接触AI Studio的伙伴可以先熟悉一下如何使用，我个人看上面的两个文档已经完全够入门了，再熟悉操作且看完论文以后就可以在飞桨上进行论文的代码复现，群里的大佬很多，有问题可以大胆问。

论文内容：NCF(神经协同过滤)

这是Task01的论文内容，也是我学习推荐算法的第一站，先按照个人思路来写边读边写对论文的理解和梳理下看到的重点。

ABSTRACT(摘要)

作者提出在近年来深度学习在很多领域都有很大的成果，因此想将其应用在推荐系统的算法，即本论文的主题——基于隐式反馈的协同过滤。通过用可以从数据中学习任意函数的神经结构替换内部积，提出了一个名为NCF的通用框架，它是基于神经网络的协同过滤的缩写。

INTRODUCTION(引言)

在各种协同过滤技术中，矩阵分解（MF）[14,21]是最流行的一种，它将用户和项目投射到一个共享的潜在空间中，使用潜在特征的向量来表示用户或项目。此后，用户对一个项目的交互被建模为其潜在向量的内积。

PRELIMINARIES(准备工作)

implicit feedback(隐式反馈): 是在推荐系统中经常看见的词，我的理解是它表示用户的行为不能直接体现出其对该次行为的内容的喜好程度。
explicit feedback(显式反馈)： 用户明确对物品表示喜好的行为,例如我们的点赞，投币，等行为。

Learning from Implicit Data（从隐式数据学习）

论文描述了一个例子来让我们了解什么是隐式数据

一个示例说明了MF的局限性。从数据矩阵(a)来看，u4与u1最为相似，其次是u3，最后是u2。然而在潜在空间(b)中，将p4最接近p1使p4比p3更接近p2，导致很大的排名损失。

Matrix Factorization（矩阵因子分解）

NEURAL COLLABORATIVE FILTERING(神经协同滤波)