DropoutNet: 推荐系统冷启动
https://zhuanlan.zhihu.com/p/94444593
DropoutNet: Addressing Cold Start in Recommender Systems. 作者 layer6.ai的人。
NIPS 2017的文章，关于推荐系统冷启动的。所谓冷启动，就是说对“新用户”“新物品”该怎么办。这文章思想挺简单的，，，也就简单一写完事了，，，虽然文章说是提出模型，但我感觉其实就是说了一种训练模型的方法，好像有点水的样子（乱讲）。。
摘要：一个基于神经网络的latent model。并没有在目标中加上content-based的目标项，本文是探索了优化方式。有开源代码 layer6ai-labs/DropoutNet.
introduction: 主要的协同过滤方法分为两类：neighbor-based和model-based。基于模型的方法，尤其是latent models，很受欢迎，因为可以对数据建立compact representations，实现高准确率。latent model一般也就是去学target preference matrix的低秩表示。当preference稀疏的时候就开始表现不好了，最极端的情况就是冷启动，毫无偏好信息。这时候想要搞个性化推荐，就要利用额外的content信息。基础的隐语义模型不嵌入内容的，所以搞了一堆混合模型，对学习和推理都有负担。而且，目标函数中的content部分，是生成式的，是在让模型解释content而不是用content来使推荐更准。
冷启动其实相当于是数据缺失。所以本文不改目标函数，而是在训练过程中搞事情。关键思想是，对输入的mini-batch用一下dropout，让dnn可以泛化一下缺失的输入。
1. N个用户
2. M个item的物品集
3. 用户对物品的反馈（行为）表示为一个N*M的矩阵R, R_uv就是u对v的行为，可以是明确的打分，也可以是通过展示、播放、购买等行为推断出来的。
3.1 显式打分很好理解，隐式推断其实也好理解，不过一般是二元的01 。
3.2 没有偏好R_uv值就是0。
3.3 表示对v有偏好的u集合，为空表示item v冷启动； 表示u有偏好（行为）的v集合，为空表示user v冷启动。
4. 所谓content information，比如说item的文本啊、音频啊、图片啊、视频啊，user的profile（年龄、性别、位置、设备）、社交（脸书、推特）等。这些信息可以表示成定长的向量。 分别表示用户、物品的content特征；对特定的u 或 v就是 .content缺失的时候就0呗。
5. 我们的目标就是利用R和phi^U,phi^V，学个推荐的模型。
relevant work就不写了。没啥意思。
想要模型既可以冷启动也可以热启动。输入既有preference也有content。
输入可以直接用R的行和列，但是uv一多的话矩阵太jr大了。所以要用低秩的latent representation： R_{uv}\approx U_u V^T_v 。右边两个的维数D远小于min(N, M)。
维数小，模型复杂度就低，多好啊，所以就用这俩低秩的做输入吧。看图就行。
模型：
图上有四列框框。第一列是输入；第二列是dnn，为了把输入搞成emb；第三列还是dnn，它的输入的第二列输出的concat；第四列就是最终的新emb。
所以说，如果输入本来就可以concat起来了，那就不需要第二列了。
最后学出来第四列的表示，就可以UV乘起来得到score了。实际应用中，既可以采用UI召回，也可以用item的emb搞II倒排召回。
重点就在于学习过程了，首先是目标函数：实际应用中，可以直接以样本本身的01为label，因为往往原始的UV也是以此为目标学习的。
在训练过程中，对输入的user或item的preference随机置0，这就是input dropout，也就是模拟了冷启动的情况。
有dropout的pair会使模型只能利用content信息，没有dropout的pair使模型倾向于只用preference信息，最后就有一个平衡。另一个优点是，dropout本来也是正则化模型的一种方法。
使用（2）式loss的缺点是：依赖输入的latent model的效果。
模型训练好了，可以用了，这时候发现，诶，对冷启动的用户或者item，我并没有输入的U或者V啊（前置的latent model也许不实时），那怎么办呢？那就用均值代替，用户就用物品均值，物品就用用户均值，这就是上面训练过程里transform的原因。
用来推荐的时候，就先用均值顶一顶，等latent model更新了UV表示之后，再用真正的input前向一遍网络。
实验部分不写了，有个实验结果来看网络更深也不一定效果更好，网络用了tanh激活函数。
就这样吧，这文章其实也就这么回事，我感觉是不能带来质的提升。
