想要了解推荐系统？看这里！（2）——神经网络方法

以下内容由第四范式先荐团队编译，原文发布于 Medium， 作者 Steeve Huang。 转载内容仅用于学习交流，版权归原作者所有。

1.背景

在上一篇文章 《想要了解推荐系统？看这里！（1）——协同过滤与奇异值分解》 中，我们谈到了协同过滤（CF）与奇异值分解（SVD）如何用于构建推荐系统。随着神经网络的兴起，如何利用这种技术构建推荐系统也引起了很多人的关注。这篇博文将介绍Spotlight——由PyTorch支持的推荐系统框架。

2. Spotlight

Spotlight是一个很好实现的 python 框架，用于构建推荐系统。它包含两种主要类型的模型，分解模型和序列模型。

分解模型利用SVD背后的思想，将效用矩阵（记录用户和项目之间交互的矩阵）分解为用户和项目矩阵的两个潜在表征，并将它们反馈到网络中。

序列模型使用时间序列模型构建，例如长期短期记忆（LSTM）和一维卷积神经网络（CNN）。由于Spotlight的后端是PyTorch，请确保在使用PyTorch之前已安装了正确版本的PyTorch。

交互

在Spotlight中，效用矩阵被称为交互。要创建隐式交互，我们为每一用户-项目交互对分别指定ID。附加的评级信息则把隐式交互转换为显式交互。

分解模型

分解模型采用隐式或显式交互。接下来本文将对隐式交互进行简要说明。

隐式交互的理念与SVD非常相似，用户和物品被映射到潜在空间，可以直接进行比较。一般来说，我们用两个嵌入层分别表示用户和项目。

目标是我们传入的交互（效用矩阵）。为了计算用户-项目对的得分情况，我们采用该用户和项目的潜在表征的点积，并将其传递给sigmoid激活函数。

通过计算真实交互的所有用户-项目对的损失，我们可以反向传播和优化嵌入层，结构如下图所示。

这种模型只需要几行代码就能在Spotlight中训练，它看起来与scikit-learn工具包非常相似：

顺序模型

顺序模型将推荐问题视为顺序预测问题。有了用户之前的交互行为数据，我们想要知道用户在下一个时间步中最可能喜欢的项目。

例如，假设用户A与[2,4,17,3,5]序列中的项目有了交互行为。接下来我们将进行以下扩展窗口预测。

[2] -> 4
[2, 4] -> 17
[2, 4, 17] -> 3
[2, 4, 17, 3] -> 5

左侧的数组存储用户之前的交互行为，而右侧的整数表示用户A接下来要与之发生交互的项目。

为了训练这样的模型，我们只需将原始交互对象转换为顺序交互对象。其余对象同理。

需要注意的是，为了确保每个序列具有相同的长度，Sequence函数会在长度不足的序列前边补零。

因此，为了确保该函数起作用，ID为0的项目应该更改为其他未被使用的任一ID号。

选择损失函数

在指定模型时，我们可以灵活地更改损失函数。具有不同损失函数的模型可能在性能上具有显着差异。接下来本文将简要介绍Spotlight中定义的两种主要类型的损失函数。

‘pointwise’：

与其他形式的损失函数相比，这是最简单的形式。由于样本的稀疏性（效用矩阵中存在多个0），把所有项目都考虑在内则会无法计算。因此，我们只考虑随机选择的一部分负样本（用户未与之交互的项目）和所有的正样本。

‘bpr’：

贝叶斯个性化排序（BPR）为每位用户提供每个项目的排序。BPR运用以下计算公式，以确保正样本的等级高于负样本的等级。

ranking loss

5.结论

本文讨论了如何用Spotlight构建推荐系统。这种方法既简单又灵活，能满足大部分需求。虽然对于大多数问题而言，序列模型优于分解模型，但是训练序列模型需要更长的时间。此外，如果数据之间没有明显的顺序相关性，那幺应用序列模型用处不大。