推荐系统论文及代码：
Lei Zheng, Vahid Noroozi, and Philip S Yu. 2017. Joint deep modeling of users and items using reviews for recommendation. In WSDM. ACM, 425-434.
https://github.com/chenchongthu/DeepCoNN
代码笔记：
tf.name_scope()：在某个tf.name_scope()指定的区域中定义的所有对象及各种操作，他们的“name”属性上会增加该命名区的区域名，用以区别对象属于哪个区域；
https://www.jianshu.com/p/635d95b34e14
map() ：会根据提供的函数对指定序列做映射。第一个参数 function 以参数序列中的每一个元素调用 function 函数，返回包含每次 function 函数返回值的新列表。
图（tf.Graph）：计算图，主要用于构建网络，本身不进行任何实际的计算。计算图的设计启发是高等数学里面的链式求导法则的图。我们可以将计算图理解为是一个计算模板或者计划书。
会话（tf.session）：会话，主要用于执行网络。所有关于神经网络的计算都在这里进行，它执行的依据是计算图或者计算图的一部分，同时，会话也会负责分配计算资源和变量存放，以及维护执行过程中的变量。
tf.truncated_normal( ) ：产生截断正态分布随机数，取值范围为 [ mean - 2 * stddev, mean + 2 * stddev ]。
tf.concat() ：表示连接多个矩阵。 tf.concat(concat_dim, values, name='concat')，第一个参数concat_dim：必须是一个数，表明在哪一维上连接，如果concat_dim是0，那么在某一个shape的第一个维度上连，对应到实际，就是叠放到列上。
https://blog.csdn.net/xpy870663266/article/details/99467342
tf.contrib.layers.xavier_initializer(uniform=True,seed=None, dtype=tf.float32):该函数返回一个用于初始化权重的初始化程序 “Xavier” 。这个初始化器是用来保持每一层的梯度大小都差不多相同。
参数：
uniform: 使用uniform或者normal分布来随机初始化。
seed: 可以认为是用来生成随机数的seed
dtype: 只支持浮点数。
tf.abs() : 就是求数值的绝对值，可以将多个数值传入list，统一求绝对值
tf.reduce_mean（a，axis）: 是均值
Tqdm 是一个快速，可扩展的Python进度条，可以在 Python 长循环中添加一个进度提示信息，用户只需要封装任意的迭代器 tqdm(iterator)。
update = tf.assign(state,new_value) : 这个操作是：赋值操作。将new_value的值赋值给state变量,update只是一个用于sess#的变量
np.random.uniform() : 样品均匀分布在半开区间内[低，高](包括低，但不包括高)。换句话说，给定区间内的任何值都有可能被均匀地画出。
np.random.permutation()：随机排列序列
