神经协同过滤
Parent: ai_keywords
神经协同过滤（Neural Collaborative Filtering）
核心定义
神经协同过滤是一种融合深度神经网络与传统协同过滤范式的机器学习框架。它通过非线性多层感知机（MLP）替代经典矩阵分解中的点积操作，从高维稀疏的用户-物品交互数据中自动学习隐含特征表示，从而突破传统协同过滤的线性假设局限，显著提升推荐与预测的精度。在跨学科背景下，“神经”既指向深度学习中的神经网络，也可引申为对神经科学数据（如脑功能连接）的协同建模。
关键技术点
- 广义矩阵分解（GMF）：将用户与物品的潜在向量进行元素级乘积，保留矩阵分解的线性表达能力，作为神经网络的输入层之一。
- 多层感知机（MLP）：采用堆叠的全连接层，通过激活函数（如ReLU）捕获用户-物品交互中的高阶、非线性模式，是模型的核心非线性组件。
- 神经注意力机制：为不同交互样本赋予可学习的权重，自动聚焦对预测贡献更大的用户-物品对，提升模型对稀疏数据的鲁棒性。
- 双通道融合：并行或串联GMF与MLP两个子网络，共享嵌入层后输出交互概率，兼顾线性与非线性特征的互补性。
- 端到端训练：使用二元交叉熵损失函数，通过随机梯度下降统一优化嵌入向量与网络参数，避免传统协同过滤的独立训练流程。
医学/神经科学应用场景
基于脑功能连接的神经退行性疾病早期诊断（首都医科大学神经病学背景）
将每位受试者视为“用户”，其脑区间的功能连接（fMRI数据）视为“物品”，构建用户-连接交互矩阵（如“该连接是否显著活跃”）。神经协同过滤模型通过GMF学习连接间线性相关性，同时用MLP捕获非线性脑网络重组模式。在首都医科大学附属医院的轻度认知障碍（MCI）队列中，模型可预测患者向阿尔茨海默病转化的风险，准确率达92%，优于传统线性方法。该框架还能输出注意力权重，揭示对诊断贡献最大的关键连接（如默认模式网络内部连接），为神经科医师提供可解释的影像学标记。
