模型设计介绍

根据第一章中对建模思路的分析，神经网络模型的设计包含如下步骤：

• 分别将用户、电影的多个特征数据转换成特征向量。
• 对这些特征向量，使用全连接层或者卷积层进一步提取特征。
• 将用户、电影多个数据的特征向量融合成一个向量表示，方便进行相似度计算。

依据这个思路，我们设计一个简单的电影推荐神经网络模型：

图1：网络结构的设计

该网络结构包含如下内容：

• • 用户特征包含四个属性信息，分别是用户ID、性别、职业和年龄。
  • 电影特征包含三个属性信息，分别是电影ID、电影类型和电影名称。

• 提取用户特征。使用Embedding层将用户ID映射为向量表示，输入全连接层，并对其他三个属性也做类似的处理。然后将四个属性的特征分别全连接并相加。

• 得到用户和电影的向量表示后，计算二者的余弦相似度。最后，用该相似度和用户真实评分的均方差作为该回归模型的损失函数。

• 如何将“数字”转变成“向量”？

如NLP章节的介绍，使用词嵌入（Embedding）的方式可将数字转变成向量。

• 如何合并多个向量的信息？例如：如何将用户四个特征（ID、性别、年龄、职业）的向量合并成一个向量？

最简单的方式是先将不同特征向量（ID 32维、性别 16维、年龄 16维、职业 16维）通过4个全连接层映射到4个等长的向量（200维度），再将4个等长的向量按位相加即可得到1个包含全部信息的向量。

电影类型的特征是多个数字转变成的多个向量（6个），也可以通过该方式合并成1个向量。

• 如何处理文本信息？

如NLP章节的介绍，使用卷积神经网络(CNN)和长短记忆神经网络（LSTM）处理文本信息会有较好的效果。因为电影标题是相对简单的短文本，所以我们使用卷积网络结构来处理电影标题。

第一章的设计思想结合上面几个细节方案，即可得出上图展示的网络结构。