作者He Xiangnan在此篇文章之前也有幾篇相關工作，本文提到的論文連結是

https：//www。

comp。nus。edu。sg/~xiangn

an/papers/ijcai18-ConvNCF。pdf

，發表在IJCAI2018。使用外積衡量embedding向量相關性的做法值得借鑑。

推薦系統中矩陣分解模型非常重要，它將使用者和物品抽象表示成隱向量，然後使用使用者和物品的隱向量（embedding vector）進行點乘來度量兩者的相關性。整個過程涉及兩個子問題，一個是使用者和商品的表示（representation），另一個是基於模型對兩者的相關性建模（model）。針對建模這塊，最近一些工作是將要麼將user embedding和item embedding直接concat，要麼就是將兩者進行點乘，然後再接全連線層。文章指出這樣對embedding處理較為粗糙，無法較好地建模兩者的相關性。這也就是文章的出發點。下圖就是文章工作的框架圖。

文章提出了在embedding層使用外積的做法。假如embedding大小為k，透過外交操作得到的k*k矩陣稱作interaction map。文章提到這種方式特別適合協同過濾任務，因為該矩陣不僅包含了矩陣分解中的interaction signal（對角線元素就是前面提到的直接點乘結果），還包含了其他潛在的pairwise interaction。這樣就為後續的非線性層提供了更多的語義資訊。

那後續怎麼處理呢？文章這裡並沒有使用全連線MLP，而是引入了卷積網路CNN。因為得到的interaction map是一個二維的矩陣，進行卷積操作的想法也很順暢。使用CNN的話，可以使得模型的引數量明顯得到降低。