摘要
基于嵌入（embedding）的模型在过去十余年中一直是协同过滤领域的主流方法。传统上，通常采用点积（dot product）或其高阶扩展形式来组合两个或多个嵌入向量，例如在矩阵分解（matrix factorization）方法中广泛应用。近年来，有研究提出用可学习的相似度度量替代点积，例如通过多层感知机（multilayer perceptron, MLP）来实现。这一方法通常被称为神经协同过滤（neural collaborative filtering, NCF）。在本研究中，我们重新审视了推动MLP学习相似度方法流行起来的NCF论文中的实验设置。首先，我们表明，在合理选择超参数的前提下，简单的点积方法在性能上显著优于所提出的可学习相似度机制。其次，尽管从理论上讲，MLP能够逼近任意函数，但我们发现，让MLP学习一个点积函数实际上极具挑战性，且难以有效收敛。最后，我们讨论了在实际应用中基于MLP的相似度计算所面临的一系列问题，结果表明，MLP在生产环境中的物品推荐任务中计算开销过大，难以高效部署；相比之下，点积运算可与高效的检索算法（如近似最近邻搜索，ANN）无缝结合，具备显著的工程优势。综上所述，我们建议在使用MLP作为嵌入组合器时需格外谨慎，而点积可能仍是嵌入组合的更优默认选择。