深度推荐系统核心是融合协同过滤思想与神经网络优势，如用Embedding替代隐向量、MLP建模高阶交互；NeuMF通过GMF（内积）与MLP（非线性）双分支联合预测偏好得分。
用Python构建基于协同过滤的深度推荐系统，核心不是堆砌深度模型，而是把协同过滤的思想和神经网络的优势结合起来——比如用Embedding层替代传统矩阵分解中的用户/物品隐向量，再用多层感知机（MLP）建模高阶交互。下面从原理到代码，分步讲清楚关键点。
协同过滤的本质：用户-物品交互建模
协同过滤不依赖物品内容或用户画像，只看历史行为（如评分、点击、购买）。它分为两类：
- 基于用户的CF：找相似用户，推荐他们喜欢但你没接触过的物品；
- 基于物品的CF：找相似物品，把你互动过的物品的“邻居”推荐给你。
实际工程中，基于物品的CF更稳定、可离线预计算、适合冷启动缓解；而深度方法（如NeuMF、LightGCN）通常聚焦在预测用户对物品的偏好得分，本质仍是用户-物品二元关系建模。
用PyTorch实现带Embedding的协同过滤（NeuMF简化版）
NeuMF（Neural Matrix Factorization）是经典起点：它把传统MF的内积 + MLP的非线性拟合融合起来。以下是最简可用结构：
立即学习“Python免费学习笔记（深入）”；
import torch import torch.nn as nnclass NeuMF(nn.Module): def init(self, num_users, num_items, embed_dim=64): super().init()
GMF分支：普通MF，用内积建模线性交互
self.user_gmf = nn.Embedding(num_users, embed_dim) self.item_gmf = nn.Embedding(num_items, embed_dim) # MLP分支：用全连接学习高阶特征交互 self.user_mlp = nn.Embedding(num_users, embed_dim) self.item_mlp = nn.Embedding(num_items, embed_dim) self.mlp_layers = nn.Sequential( nn.Linear(embed_dim * 2, 128), nn.ReLU(), nn.Linear(128, 64), nn.ReLU(), nn.Linear(64, 32) ) # 合并输出 self.output_layer = nn.Linear(32 + embed_dim, 1) # GMF(64) + MLP(32) def forward(self, user_idx, item_idx): # GMF部分 gmf_user = self.user_gmf(user_idx) gmf_item = self.item_gmf(item_idx) gmf_out = gmf_user * gmf_item # 元素级相乘 # MLP部分 mlp_user = self.user_mlp(user_idx) mlp_item = self.item_mlp(item_idx) mlp_in = torch.cat([mlp_user, mlp_item], dim=1) mlp_out = self.mlp_layers(mlp_in) # 拼接并输出预测得分 concat = torch.cat([gmf_out, mlp_out], dim=1) return torch.sigmoid(self.output_layer(concat)).squeeze()
注意：输入user_idx/item_idx必须是整数索引（0~N-1），不是原始ID，需提前做LabelEncoder或map转换；训练时用BCELoss（隐式反馈）或MSELoss（显式评分）。
数据准备与训练要点
真实场景中，90%的问题出在数据处理上。关键操作包括：
- 负采样必须做：隐式反馈（如点击）只有正样本，需按比例（如1:4）为每个正样本配负样本（随机选未交互物品）；
- 用户/物品ID重编号：丢弃出现频次过低的用户或物品（如只评1次分的用户），避免稀疏嵌入；
- 划分要按用户时间或随机但保证用户不泄露：验证集/测试集每个用户至少有1个正样本，且不能包含训练中见过的（user, item）对；
- 评估用Hit@K或NDCG@K，而不是准确率——推荐是排序任务，不是分类任务。
进阶方向：轻量但有效的小改进
不一定要上图神经网络，几个低成本优化就能明显提效果：
- 加入偏置项：给用户、物品、全局加可学习bias，缓解数据偏差（如热门物品天然得分高）；
- 用Layer Normalization替代BatchNorm：推荐场景batch size波动大，LayerNorm更稳；
- 早停+学习率预热：Embedding训练容易震荡，前10个epoch用小学习率（1e-4）暖启；
- 导出Embedding用于召回：训练完可抽取出user_emb/item_emb，用Faiss快速做近邻检索，作为双塔召回的第一阶段。
基本上就这些。协同过滤不是过时技术，而是推荐系统的地基；深度模型不是替代它，而是让这个地基更鲁棒、更可扩展。
