《Collaborative Filtering with Re
一、标题
Collaborative Filtering with Recurrent Neural Networks
二、来源
三、问题
作者通过分析，认为传统推荐常用的协同过滤方法可以看作时间序列的预测问题。进而引入RNN这一处理序列问题常用的深度网络学习模型。
四、主要方法
4.1 RNNs（LSTM）
将数据集中出现的每个item视作一个词，item的集合视作词的集合。借用bag-of-words的思想，将每个item用one-hot向量表示。同时将每个用户的历史行为作为采样的时间序列。每一时刻， RNN模型的输入即为对应时刻item的one-hot编码表示，输出则为每个item对应神经元的softmax值的大小（所有用户行为中出现的item均有对应的softmax的输出）。可以根据问题需要返回softmax最大的前k个值作为推荐的item.
这里，为了避免梯度消失的问题，文中采用"gated RNN"即LSTM.目标损失函数为item类别的交叉熵函数。一般形式为
这里的ocorrect表示与实际时间序列输出item相对应的模型神经元的取值，如果该神经元的softmax符合前述要求（在最大的前k个值中），则将ocorrect记为1，否则则记为0.
4.2 Markov Chain
Markov Chain是时序预测中比较常见的方法。本文中，作者利用Markov Chain，将用户的行为中的item视为不同的state.不同state的转移概率表示用户从一个item转向下一个item的可能性的大小。推荐时返回转移概率最大的前k个item.
4.3 KNN(Userbased-CF)
基于user属性的协同过滤是传统的推荐方法之一。基于以下打分函数，给出top-N的结果。
上式中ciu表示用户i与用户u的相似程度，文中相似程度是用余弦距离度量的。后面的示性函数表示该物品是否在用户u的历史行为中出现过。
4.4 BPR-MF
该方法是目前推荐领域先进的矩阵分解方法，在Mymedialite上有开发成熟的工具包。
五、相关工作
- 提出将协同过滤视为序列预测问题的思想。
作者提出，传统基于协同过滤的推荐方法，无论基于何种特征，都没有考虑用户历史行为的时间属性，只是将历史行为中的每个item统一考虑。这样处理带来的最大问题在于推荐系统无法分析用户喜好的变化情况，从而给出更符合用户现阶段喜好的推荐结果。那么，如果基于协同过滤“由过去，看未来”的思想，如果将该问题视作序列预测问题，一方面可以更好的分析用户的兴趣爱好的变化情况给出更好的推荐结果，另一方面也可以将在时序预测问题中广泛使用的RNN深度网络模型引入到推荐系统中。 -
分析其他特征对推荐结果的影响
前述RNN模型在输入时，只将item的one-hot属性作为输入信息。作者这里考虑将其他特征输入模型，比如用户的信息，item的属性，用户与item交互的信息等。作者这里将这些属性也用one-hot编码的形式表示，与之前的item向量拼接作为新的输入。下表是相关结果:
从图中可以看出，引入新的特征对模型的提升作用并不明显，由此作者认为，时间序列已经包含大部分这里加入的信息，我们可以通过对时间序列的分析来隐含的利用信息。
六、简评
之所以选择这篇论文，一个重要原因在于自己考虑将RNN用在时间序列预测问题上，本篇论文提出的思路对自己是一个很好的启发。本篇论文的可贵之处不仅在于提出了看待协同过滤问题的新的角度，更在于他对模型参数进行了详细的分析，有利于具体的工程实践。但本文也存在一些瑕疵，比如就数据集本身而言，并不具备时序的信息，而且数据量是否可以减弱过拟合的影响，这些问题显得作者的结论说服力有待加强。再者处理RNN的输入时，作者只提到将item做one-hot编码，但不同时间序列可能属于不同用户，这一点对于RNN模型的训练影响，作者在训练时是否考虑这一因素文中也没有提及。总的说来，本篇论文提出的思想难能可贵，但具体到工程应用，还需要更多工作要做。
以上都是本人自己的观点看法，肯定存在疏漏错误的地方，欢迎交流讨论。
