NCF¶

NCF 用神经网络替代传统矩阵分解里的点积。

矩阵分解通常是 user_embedding dot item_embedding。这个做法简单、快，但它默认用户和电影因子的交互方式比较线性。NCF 想问的是：能不能让 MLP 自己学一个更复杂的交互函数？

flowchart LR
  U[userId] --> UE[用户 embedding]
  M[movieId] --> ME[电影 embedding]
  UE --> Cat[拼接]
  ME --> Cat
  Cat --> MLP[多层感知机]
  MLP --> Score[预测分数]

在 MovieLens 上，NCF 通常输入用户 ID 和电影 ID，查出两个 embedding，拼接后送进全连接网络。目标可以是评分预测，也可以把高评分当成喜欢做二分类。

第一版建议对比三个模型：

矩阵分解
只有 MLP 的 NCF
GMF 加 MLP 的组合版本

NCF 很适合用来理解一件事：深度模型不一定天然更强。如果数据切分小，或者负采样做得不好，简单的矩阵分解可能很难被超过。

它和矩阵分解到底差在哪¶

矩阵分解的核心交互是点积：

score = user_embedding dot movie_embedding

点积很像在问：用户向量和电影向量方向接近吗？接近就分高。

NCF 换了一个问题：把用户向量和电影向量交给一个神经网络，让网络自己判断它们怎么组合才合理。

这让模型更灵活，但也更难训练。灵活不是免费午餐。数据不够、负样本不好、模型太大时，NCF 可能只是更会记训练集。

一条训练样本长什么样¶

假设用户 42 给 The Matrix 打了 5 分。做二分类时，可以把它变成正样本：

userId = 42
movieId = The Matrix
label = 1

再采样一部用户 42 没评分过的电影当负样本：

userId = 42
movieId = Random Movie
label = 0

模型会分别查 embedding：

输入	查到的向量
userId 42	用户 embedding
The Matrix	电影 embedding

然后把两个向量拼起来，送进 MLP，输出一个 0 到 1 之间的分数。分数越高，表示模型越认为用户会喜欢这部电影。

GMF 加 MLP 是什么¶

NCF 论文里常见一个组合结构：一边保留类似矩阵分解的 GMF，一边使用 MLP，最后把两边结果合起来。

flowchart TB
  U[userId] --> U1[GMF 用户向量]
  I[movieId] --> I1[GMF 电影向量]
  U --> U2[MLP 用户向量]
  I --> I2[MLP 电影向量]
  U1 --> GMF[逐元素相乘]
  I1 --> GMF
  U2 --> Cat[拼接后进 MLP]
  I2 --> Cat
  GMF --> Join[合并]
  Cat --> Join
  Join --> Score[预测]

这样做的意思是：既保留点积类模型的简单协同信号，也让 MLP 学复杂交互。

怎么判断 NCF 有没有学到东西¶

不要只看 loss。拿几个用户打印推荐列表：

用户历史高评分	NCF 推荐
The Matrix, Inception, Interstellar	Blade Runner, Arrival, The Dark Knight

如果推荐全是热门电影，可能模型学到了流行度，但个性化不够。

如果推荐和用户历史完全没关系，先检查负采样、ID 映射、训练集和测试集切分。

运行¶

默认全量运行：

./04-deep-ranking/ncf/run.sh --sample-ratings none --num-workers 8 --save-checkpoints --checkpoint-every 0

【非主线】想先快速试跑：

./04-deep-ranking/ncf/run.sh --sample-ratings 2000000 --num-workers 8 --save-checkpoints --checkpoint-every 0

默认命令只保存 checkpoints/best.pt。报告会写入验证指标、测试集预测样例和 checkpoint 大小。

常见坑¶

不要把所有没评分电影都当负样本。那样负样本数量太大，而且语义也不准。

不要一开始堆很深的 MLP。两三层足够做第一版。

不要忘记和矩阵分解对比。NCF 的意义不是名字更高级，而是它在同一套数据切分和指标下真的带来提升。