背景

在大多数的推荐系统中，往往注重于隐式正反馈(例如：点击)，而忽略掉用户的其他行为(例如大多数CTR模型只考虑用户的喜欢，而忽略了不喜欢)。腾讯在Deep Feedback Network for Recommendation 一文中，提出了一个新颖的推荐系统模型，该模型使用了一个新的神经网络框架，考虑了用户显式/隐式的正负反馈，通过大量的实验证实了该模型的有效性和鲁棒性。

先验知识

1. 显式反馈(explicit feedback)

例如: 用户对某商品/item的评分，或者明确的喜欢/不喜欢。

特点: 质量高，能够很明确的表达用户的喜好，但是数据非常稀疏。

2. 隐式反馈(implicit feedback)

隐式正反馈(implicit positive feedback): 例如 点击 行为。

隐式负反馈(implicit negative feedback): 例如 浏览(曝光)但是未点击 行为。

特点: 数据量多，但是噪声特别多。例如: 用户没有点击的也不一定是他不喜欢的。还有一点非常重要，推荐系统推荐给用户的item，即使没被点击，但是也可能是用户喜欢的，也可能包含了用户感兴趣的部分，这在后面的网络模型中，有体现。

方法

定义：

模型框架：

DFN网络如下图所示，主要有两部分组成:

(1)the deep feedback interaction module(右图).

在这一模块内，使用多种类型的反馈作为输入,通过这些反馈的交互，提取出用户对于target item的偏好(喜欢或者不喜欢)。

(2)feature interaction module.

在提炼出feed back feature之后，通过使用Wide，FM，Deep等三种策略，让特征之间进行交互。

现在让我们来关注一下deep feedback interaction module部分。

Deep feedback interaction module详解

在这一模块中，可细分为Internal Feedback Interaction Component(红色方框) 和 External Feedback Interaction Component(绿色方框)两部分，为了方便叙述，我们以下简称为Internal部分和External部分。

Internal Feedback Interaction Component

在Internal部分中,关注于target item与用户各种行为的交互，在这里的所有行为当中，都使用了多头注意力机制。所有的行为embedding由物品的embedding和位置embedding组成。我们使用点击行为click做一个举例。

通过将target item
与点击行为序列组合在一起，构成我们的输入矩阵

External Feedback Interaction Component

在external部分，旨在根据高质量的click和dislike等行为，在unclick行为中，找出用户真的喜欢和不喜欢的。所以使用了两个vanilla attention中，将、分别与产生交互，来为未点击的序列判断喜欢或者不喜欢的偏好。

Feature Interaction module详解

损失函数(优化目标)