내적을 넘는 상호작용
행렬 분해에서는 사용자와 항목의 잠재 특징을 내적으로 결합한다. NCF는 이 결합을 신경 구조로 바꿔 자료에서 상호작용 함수를 학습하도록 제안했다.
비선형 함수의 학습
프레임워크는 행렬 분해를 표현하고 일반화할 수 있도록 구성됐다. 사용자와 항목의 관계에 비선형성을 더하기 위해 다층 퍼셉트론을 사용하는 방식도 제시했다.
평가의 범위
원 연구는 두 실제 자료에서 추천 성능을 평가했다. 더 깊은 층의 효과도 조사했지만 그 결과는 사용한 구조와 자료의 관찰로, 추천에 깊이가 항상 유리하다는 보편적 결론과는 구분된다.
관련 문서
협업 필터링 / 행렬 분해 / 다층 퍼셉트론 / DeepFM / NGCF / EASE 추천 모델