参考：https://www.jianshu.com/p/6173dbde4f53
NCF全称Neural Collaborative Filtering，讲道理第一遍看的时候我压根没看出来这个方法和协同过滤有什么关系，感觉就像个Wide&Deep的变体，后来又看了一下W&D，才发现NCF和CF最像的地方就是都只用到了User-Item矩阵，先来个图：
先embedding，然后左边是element-wise product，右边是concat后过几层MLP；然后最上那个NeuMF其实就是竖着concat，乘矩阵，再过激活函数。
对了文章开头还提到了CF的缺点就是两两向量的关系不能推广到整个空间，比如：
这个问题要从MF上解决要增加向量的维度，但是维度一高又容易过拟合；文中说“论文通过使用DNNs从数据中学习交互函数，突破了这个限制。”
感觉这真的只能比CF好，没有任何u侧或者i侧的特征再输入了。
后面我看开始有EE、强化学习、知识图谱、图神经网络这些内容了，这些也是部门里其他组的工作，但是我对这些的了解几乎为0，当然我一开始对FM也断断续续看了好几次才迈出了这一点点步子，写了这几篇，所以后续可能速度会变慢一点，毕竟每一次看一个新的东西都要看很多相关的基础知识，但是底子打好了之后速度就会快很多，我在考虑要不要把EE、强化学习这些是单独拆出来，还是放在整个里面，先放在里面吧，之后想调再调。
