早期系統僱傭專家們來對產品進行分類,用戶選擇他們喜好的類別並基於他們的偏好進行匹配。此領域後來演變成了協同過濾,推薦基於用戶過去的行為,比如對產品的打分。Neighborhood methods將用戶和產品分組並用矩陣分解來描述用戶和產品的latent factors,獲得了成功。
用統計學模型去分類或預測給定數據的事件概率。預測模型從原來的用簡單的linear and logistic regression建模轉向了用deep networks。為了處理類別特徵,一般採用embeddings,將one-hot或multi-hot vectors轉換到抽象空間的dense respresentations。這裡的抽象空間其實也就是推薦系統中的latent factors空間。
本文結合了上邊的兩種角度,模型使用embeddings處理稀疏特徵,MLP處理稠密特徵,然後用統計技術進行顯示的特徵交叉。最後用另一個MLP來處理交差後的特徵,得到事件的概率。我們將這個模型稱為RLRM,見圖1。Pytorch&Caffe2開源實現地址