这篇论文是KDD2015的一篇用DL去做RS的论文。想法挺有意思的。
看过论文的同学都知道整体的模型可以用下图表示：
这里只讲讲整体的思路与理解：
1）这是一个CF和CBF结合用bayes去做
2）CBF主要是体现在整个用SDAE提取item特征。
3）bayes体现在，网络中的各种参数是加了一个beyas先验生成的。
4）CF体现在，对于u和i这两个向量的生成，用两个不同的高斯先验，来生成，lambda_v 和lambda_u 本质就是最后学出来的CF的内容
5）最后i这个向量，由CF部分(lambda_v)和CBF部分（SDAE提取的特征）共同决定
6）预测的时候，就直接通过网络生成u，和i的向量，用点击作为预测。需要注意的是，对于新的item预测，采用CF部分生成出来的向量设为0来模拟。
有一个小小的疑问就是：为什么会想到用bayes把CF和CBF再DL的框架下整合起来。我们知道不用bayes，也可以很好的整个CF和CBF。用bayes的motivation感觉并没有介绍的很清楚，论文中只是介绍了DL的motivation
最后，想说的就是再KDD2017上，进一步出现了一篇十分相似的论文 Collaborative Variational Autoencoder for Recommender Systems. 这篇论文与KDD2015这一篇最大的区别就是把SDAE换成了VAE，我们知道VAE也有一种generalize的思想，与bayes看起来更加自然。推荐大家也去看一看。
