文献总结（1）：A Neural Collaborative Filtering Model with Interaction-based Neighborhood

算法主要思想

最近，深度神经网络已广泛应用于推荐系统。一个代表性的工作是利用深度学习对复杂的用户-项目交互进行建模。然而，与通过分解用户-项目交互的传统隐语义模型类似，它们往往无法有效地捕获邻域信息，该信息对推荐系统补充用户-项目交互数据很重要。基于这种考虑，我们提出了一种新的基于邻域的神经协同过滤模型（NNCF）。

需要解决的问题：

1、哪些局部信息应该被使用；

2、在深度学习中怎样对局部信息进行建模。

当user和item有交互时，yui = 1, 其他情况为0, 在进行推荐时，即预测user对item的得分，推荐问题便转化成预测问题。在处理交互问题时，将交互信息视为有向图G=(V, E), 其中顶点V是用户user和item的集合，边E是有交互的集合。

模型图：

输入: user、item、与user-u有交互的item集合，与item-i有交互的user集合，对其进行one-hot编码；

对输入的矩阵在进行线性乘积、卷积、最大池化等运算

基于MLP的预测，得到预测得分。

数据集：Delicious、MovieLens、Rossmann

对比算法：ItemPop、ItemKNN、BPR、NeuMF

比较结果:

 在上述三个数据集中，NNCF算法性能明显优于其他算法，表面user和item的邻接信息对预测user和item之间的评分有明显的效果。