VBPR

模型基础

VBPR（Visual Bayesian Personalized Ranking）是一种结合视觉特征和隐式反馈的个性化推荐模型，核心思想是：
在矩阵分解（Matrix Factorization, MF）的基础上，引入视觉特征，以改进推荐系统的排序能力，特别是在冷启动场景下。

动机

传统的推荐系统（如MF）只基于用户-物品交互历史（如点击、购买），但忽略了商品的视觉外观信息。然而，在服饰、电商等领域，视觉是非常重要的决策因素。

主要创新点

• 引入视觉因子（visual factors）：通过预训练CNN（如ImageNet上训练的AlexNet）提取商品图片特征（4096维）。
• 设计一个低维视觉嵌入空间（embedding matrix E），将高维CNN特征映射到可学习的视觉维度空间（如20维），用于与用户的视觉偏好匹配。
• 结合贝叶斯个性化排序（BPR），进行pairwise ranking训练，使得用户更喜欢的物品在推荐列表中排序更靠前。

评分函数

推荐分数由如下几部分组成：

$${\hat{x}}_{u,i}=\alpha +{\beta }_u+{\beta }_i+{\gamma }_u^T{\gamma }_i+{\theta }_u^{T}E{f}_i+{\beta }^{\prime T}{f}_i$$

其中：

• ${\gamma }_u,{\gamma }_i$：用户/物品的潜在因子（latent factors）
• $f_i$：CNN提取的物品图像特征
• $E$：视觉嵌入矩阵
• ${\theta }_u$：用户的视觉偏好向量
• ${\beta }^{\prime },{\beta }_u,{\beta }_i$：视觉偏置项和用户/物品偏置

模型理解

Step 1：输入原始数据

• 用户$u$：有历史交互记录（如购买/浏览）。
• 物品 $i$：带有一张商品图片（如一件衣服）。

---

Step 2：提取商品视觉特征

• 利用预训练的CNN模型（如AlexNet），从商品图像中提取出一个高维特征向量 $f_i\in {\mathbb{R}}^{4096}$。

---

Step 3：视觉特征嵌入（降维）

• 将 CNN 提取的高维特征 $f_i$ 通过一个可训练的线性变换矩阵 $E\in {\mathbb{R}}^{D\times 4096}$ 进行降维：
  $${\theta }_i=E{f}_i$$
• 得到低维视觉表示，捕捉用户决策相关的视觉维度（如颜色、款式等）。

---

Step 4：用户视觉偏好建模

• 每个用户 $u$ 有一个对应的视觉偏好向量 ${\theta }_u\in {\mathbb{R}}^D$，表示用户对不同视觉维度的兴趣强弱。

---

Step 5：计算视觉匹配得分

• 将用户视觉偏好与物品的视觉表示进行内积，得出视觉偏好得分：
  $${\theta }_u^T(E{f}_i)$$

---

Step 6：视觉偏置项

• 计算视觉偏置项：
  $${\beta }^{\prime T}{f}_i$$
• 表示该物品在视觉上整体吸引力，独立于具体用户。

---

Step 7：整合评分信息

整合所有评分组件，最终预测用户 $u$ 对商品 $i$ 的兴趣程度：
$${\hat{x}}_{u,i}=\alpha +{\beta }_u+{\beta }_i+{\gamma }_u^T{\gamma }_i+{\theta }_u^{T}E{f}_i+{\beta }^{\prime T}{f}_i$$

---

最终输出：

• ${\hat{x}}_{u,i}$：推荐系统给出的评分，用于排序推荐列表。

---

i + \beta’^T f_i
$$

---

最终输出：

• ${\hat{x}}_{u,i}$：推荐系统给出的评分，用于排序推荐列表。

---