1、问题背景
作者argue以前的方法没有考虑到用户偏好的动态变化，因此作者提出了一个名为Dynamic Explainable Recommender (called DER）的模型利用a time-aware gated recurrent unit (GRU)的结构去动态的捕捉用户偏好的动态变化。
2、模型定义
作者首先根据数据绘制了一张用户历史topic变化图，用以说明用户偏好的动态变化
然后给出了task的定义：
3、模型结构
GRU结构：
CNN用来编码item的所有评论，最后形成多个低维向量，user经过GRU会输出一个用户偏好表示，根据注意力机制，用户可能会对item的不同属性有不一样的注意力，因此对CNN编码形成的多个向量，进行加权平均
考虑时间间隔的影响，即如果前一个item的时间戳和现在要预测的item时间戳相差很小，我们就假设用户偏好基本不会变化，如果时间相差比较大，那么就认为用户偏好变化比较大。
而单纯的GRU不能处理这种有时间间隔的序列，因此我们对GRU进行改进。我们引进一个time gate .
,这里
是前后两次交互的时间差
这些公式考虑了gs大小的影响，即gs比较大的时候，当前信息比较重要，gs校的时候，过去信息比较重要
为了更好的利用用户资料，GRU的输入不仅包括交互的item ID,而且还包含相关的评分和评论，如图
对于item的表示，我们采用CNN的方式，利用所有的评论信息和注意力机制，每一个句子经过CNN变为一个低维向量。
然后利用注意力机制将这些向量结合起来，这里主要是考虑到 item与user并不独立,item的表示用到了注意力机制
最后经过运算，得到了和
,结合
利用FM模型预测评分
最后最小化误差损失
4、实验部分
数据集采用Amazon和Yelp
实验结果对比如下
