好的选题 + 热门的算法 = 成功的paper。
好的选题在一个成功的research中所占的比重得有一半。
下面讲两个有意思的个推领域的课题（或者说是同一课题下的两个子课题）。
个推（个性化推荐）在web互联网时代就很有价值的研究课题，比如亚马逊就大量运用此类算法提升商品成交。到了mobile互联网时代，随着屏幕的缩小和输入字符的不便利，个推作为一种更加智能、更主动push信息给用户的利器得到了更大的重视和更为成功的应用，比如今日头条就使用个推算法来为用户提供丰富的、即时的、个性化的新闻浏览体验。
个推算法的传统实现是采用content-based, item-based, 或user-based的方法。无论哪种方法，都需要人工定义feature和model，训练参数，得到推荐模型。
更硬的方法是直接用主观先验知识（猜测）编码出模型，比如我们曾实现过的基于关键词的文章推荐算法，其本质是用户行为驱动的随机梯度下降优化，优化目标是CTR（Click Throught Rate，点击率）。
但是重新审视这个问题，为什么不能让计算机自动生成推荐模型呢？
今天和Sean讨论这个话题，定义了如下两个课题：
课题一、使用生成对抗网络自动生成推荐模型。
Generator的目标是文章和用户的相关性要高。
Discriminator的目标是相似文章的聚集度要低。
这是一个2N维空间（假设文章和用户的top标签数均为N）的GAN问题。
课题二、优化文章和用户打标，以达到最佳点击率（CTR）。
这是一个2N维空间中以CTR为反馈力调整用户和文章位置的问题。
标签，即被标记到用户或文章上的关键词。一个关键词代表了一个维度。
这样定义个推问题还真算得上是一个脑洞清奇的思路。这样定义的好处是，经过拆分，课题一就变成了一个先验可解（指在未获得用户行为数据时）的问题了，而且从人工定义特征和训练模型变成人工定义规则、算法生成模型。
接下来，我们要对上述思路进行实践验证和进一步的思辩。
P.S. 傍晚和Jacky简单交流了一下这个问题，Jacky提出了一个很好的质疑，对于课题一，Generator的输入不是也需要真实的用户行为数据吗？
我直觉上是可以用随机噪声来模拟，因为最终生成模型要用于给全体用户进行推荐，那么全体用户的平均行为和随机噪声（白噪声）应该可以等价。当然，这也构成了一个关键假设。
