基于特征
这个模型是分别单独用一个auto-encoder来学习user和item的向量表示（隐层），然后用内积表示他们的匹配分。
这篇论文比较简单，就是用一个CNN来学习item的表示（图像的表示），然后用MF的方法（内积）来表示他们的匹配分：
这篇论文主要是根据SVD++进行改进，使用两层的attention。输入包括两部分：1、user部分，user_ID以及该user对应的作用过的item；2、item部分，item_ID和item的特征。
Component-level attention：不同的components 对item的embedding表示贡献程度不一样，表示用户对不同feature的偏好程度；由item的不同部分的特征，组合出item的表示：
attention weight由下述式子做归一化后得到：
其中u表示用户的向量，x[l][m]表示物品的第m部分的特征。
Item-level attention：用户历史作用过的item，对用户的表示的贡献也不一样，表示用户对不同item的偏好程度；attention weight的计算公式如下，其中u表示用户的向量，v表示基础的item向量，p表示辅助的item向量，x表示由上述的component-level的attention计算出来的item的特征的表示向量：
然后使用svd++的方式计算用户的方式，只是这里的item部分不是简单的加和，而是加权平均：
这个论文是采用pairwise ranking的方法进行学习的，整个模型的结构图如下：
模型采用pairwise ranking的loss来学习：
这篇论文比较简单，其实就是根据可以使用的side-info（文本、图像等），提取不同特征的表示：
Source
Last updated
