DNN论文分享 - Item2vec: Neural Item Embedding for Collaborative Filtering

Posted 笨兔勿应

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了DNN论文分享 - Item2vec: Neural Item Embedding for Collaborative Filtering相关的知识,希望对你有一定的参考价值。

前置点评: 这篇文章比较朴素,创新性不高,基本是参照了google的word2vec方法,应用到推荐场景的i2i相似度计算中,但实际效果看还有有提升的。主要做法是把item视为word,用户的行为序列视为一个集合,item间的共现为正样本,并按照item的频率分布进行负样本采样,缺点是相似度的计算还只是利用到了item共现信息,1).忽略了user行为序列信息; 2).没有建模用户对不同item的喜欢程度高低。

-------------------------------------------------

0 背景:

推荐系统中,传统的CF算法都是利用 item2item 关系计算商品间相似性。i2i数据在业界的推荐系统中起着非常重要的作用。传统的i2i的主要计算方法分两类,memory-based和model-based。

作者受nlp中运用embedding算法学习word的latent representation的启发,特别是参考了google发布的的word2vec(Skip-gram with Negative Sampling,SGNS),利用item-based CF 学习item在低维 latent space的 embedding representation,优化i2i的计算。

-------------------------------------------------

1 回顾下google的word2vec:

自然语言处理中的neural embedding尝试把 words and phrases 映射到一个低维语义和句法的向量空间中。

Skip-gram的模型架构:

Skip-gram是利用当前词预测其上下文词。给定一个训练序列w_{1},w_{2} ,...,w_{T} ,模型的目标函数是最大化平均的log概率:

目标函数中c中context的大小。c越大,训练样本也就越大,准确率也越高,同时训练时间也会变长。

在skip-gram中,P(w_{t+j}|w_{t}) 利用softmax函数定义如下:

W是整个语料库的大小。上式的梯度的计算量正比如W,W通常非常大,直接计算上式是不现实的。为了解决这个问题,google提出了两个方法,一个是hierarchical softmax,另一个方法是negative sample。negative sample的思想本身源自于对Noise Contrastive Estimation的一个简化,具体的,把目标函数修正为:

P_{n}(w)是噪声分布 ( noise distribution )。即训练目标是使用Logistic regression区分出目标词和噪音词。具体的Pn(w)方面有些trick,google使用的是unigram的3/4方,即U(w)^{3/4}/Z ,好于unigram,uniform distribution。

 

另外,由于自然语言中很多高频词出现频率极高,但包含的信息量非常小(如\'is\' \'a\' \'the\')。为了balance低频词和高频词,利用简单的概率丢弃词w_{i}

其中f(w_{i} )w_{i} 的词频,t的确定比较trick,启发式获得。实际中t大约在10^{-5} 附近。

 

-------------------------------------------------

2 Item2vec算法原理:

Item2vec中把用户浏览的商品集合等价于word2vec中的word的序列,即句子(忽略了商品序列空间信息spatial information) 。出现在同一个集合的商品对视为 positive。对于集合w_{1}, w_{2}, ...,w_{K}目标函数:

同word2vec,利用负采样,将p(w_{j}|w_{j})定义为:

subsample的方式也是同word2vec:

最终,利用SGD方法学习的目标函数max,得到每个商品的embedding representation,商品之间两两计算cosine相似度即为商品的相似度。 

 

-------------------------------------------------

3 Item2vec效果:

对比的baseline方法是基于SVD方法的用户embedding得到的相似度,SVD分解的维度和item2vec的向量维度都取40,详细见paper。数据是应用在music领域的,作者利用web上音乐人的类别进行聚类,同一个颜色的节点表示相同类型的音乐人,结果对比如下: 

图a是item2vec的聚合效果,图b是SVD分解的聚合效果,看起来item2vec的聚合效果更好些。


原文

 

参考文献:

[1] Mikolov T, Sutskever I, Chen K, Corrado GS, Dean J. Distributed representations of words and phrases and their compositionality. In Advances in neural information processing systems 2013 (pp. 3111-3119).

以上是关于DNN论文分享 - Item2vec: Neural Item Embedding for Collaborative Filtering的主要内容,如果未能解决你的问题,请参考以下文章

论文|Item2vec论文中值得细细品味的8个经典tricks和thinks

论文|Item2vec论文中值得细细品味的8个经典tricks和thinks

论文笔记-Item2Vec- Neural Item Embedding for Collaborative Filtering

开源项目一个GitHub项目,囊括人脸图像要读的重要论文

Neura 会自动识别家庭、办公室等位置,还是用户必须手动输入它们?

论文阅读丨神经清洁:神经网络中的后门攻击识别与缓解