一、这篇文论解决什么问题
推荐领域的经典模型：MF
之前的研究中应用的深度学习：对辅助信息进行建模（例如商品描述等）
本文的不同：对CF本身进行建模
二、这篇论文的三个核心点
GMF ：通用的MF框架
如何兼容经典MF模型：当激活函数为identity function，权重向量元素为1时，这就是一个经典的MF模型
本文：激活函数：sigmoid；权重：from log loss
MLP：增加非线性
一般怎么做：简单的向量拼接
本文：拼接向量 + hidden layers（3层）
network：tower pattern
激活函数：ReLU
Fusion of GMF and MLP：混合增强
简单做法：共用一个embedding层
不足：针对一些数据集，两种模型的最优embedding size相差较多，这样混合模型的效果就会受影响
本文：GMF和MLP使用不同的embedding
输出层：
本文中这个系数取0.5
如何训练：
1. 预训练（GMF、MLP）：随机初始化，优化算法是Adam
2. 训练混合模型：利用预训练的模型初始化，优化算法是SGD
三、本文实验的几个点
1. 本文模型 vs 其他模型：本文模型效果好
2. 预训练 vs 未预训练：预训练效果好
3. 不同负采样率对比：采样率3-6效果好
4. 不同隐藏层的层数对比：层数多效果好
四、初次接触推荐系统的感受
需要接触一些概念：
CF、MF、leave-one-out、HR、NDCG（CG -> DCG -> NDCG）
模型上的思考，很多领域差不多，但对什么信息建模，这个是解决问题的关键
PS：本文的所有公式都来自于论文：Neural Collaborative Filtering，有理解不对的地方，欢迎指正
