Terminology
word2vec：
word2vec简介
doc2vec embedding：
Recommendation System
User profile
R: 浏览过的文章数量
rh：doc2vec embedding
U：user profile（用户概况）which accounts for both the short term as well as the long term interests of the users.
采用了三种形式来表示user profile以便理解时间上的模式。加了discount的模型是为了给最近阅读的文章更大权重，以前的权重更小。
质心表示
2进制discount
e指数discount
DSSM模型（Deep Structured Semantic Model）
模型overview。左边计算user profile，右边选一个正常数（item+，除开已读过的文章外再选一篇），n个负常数（随机取样没读过的文章）。
看做高斯分布不再合适，还要考虑潜在data和排序，改进loss函数为
给定user求点击一个item的后验概率。item+表示已经被点击的item，R()表示内积函数。
max probability
实验
1. Settings
数据集：CLEF NewsREEL 2017. 用gensim 来学习doc2vec embedding（size设为300）。数据集中77%为小于3篇，用10-15篇阅读量的user来train（for cold start problem），2-4篇的来test。>15篇的user在frequency（？）上变化比较大，所以不采用。
leave-one-out法来做evaluation，performance用HR@k（测试item是否在）top k list中；NDCG accounts for the position of the hit by assigning higher scores to hits at top ranks.
（矩阵分解）Baseline：BPR ，eALS ，NeuMF 等方法（待查）
用Keras 做，training集合和validation集合比例为4：1。全连接层的权重初始化用范围内均匀分布。batch size为256，梯度用adabelta。
全连接层权重范围权重
2. Performance
几种不同的loss函数结果比较。我感觉都差不多，作者非要闭着眼睛吹加了discount的更好…
比起baseline有较大提高
在cold start问题上表现平平
