Neural Collaborative Filtering
Ein Deep-Learning-Ansatz, der neuronale Netze statt klassischer Matrixfaktorisierung für Collaborative Filtering einsetzt.
Neural Collaborative Filtering ersetzt klassische Matrixfaktorisierung durch neuronale Netze für komplexere User-Item-Interaktionen.
Erklärung
NCF ersetzt das Dot-Product in MF durch ein MLP, das komplexere User-Item-Interaktionen lernen kann. Varianten wie NeuMF kombinieren MF und MLP. Moderne Ansätze nutzen Transformer-Architekturen.
Relevanz für Marketing
NCF liefert bessere Empfehlungen als klassisches MF, besonders bei komplexen Interaktionsmustern und Side-Information.
Beispiel
YouTube nutzt Deep Neural Networks für Kandidaten-Generierung und Ranking in seinem Empfehlungssystem.
Häufige Fallstricke
Höherer Rechenaufwand als klassisches MF. Overfitting auf kleine Datasets. Reproduzierbarkeit und Baselines oft fragwürdig.
Entstehung & Geschichte
He et al. (2017) stellten NCF vor und zeigten Vorteile gegenüber MF. YouTubes Deep Neural Network RecSys (Covington et al., 2016) war ein industrieller Meilenstein. Dacrema et al. (2019) hinterfragten NCF-Baselines kritisch.
Abgrenzung & Vergleiche
Neural Collaborative Filtering vs. Matrix Factorization
MF nutzt lineares Dot-Product; NCF nutzt neuronale Netze für nicht-lineare Interaktionsmodellierung.