基本思想是：其他推荐系统推荐用户没有访问过的物品，本论文推荐用户已经访问过的物品（预测），在已经知道历史物品访问序列了，再次访问的概率。

实际上，只要把重复访问的物品放进用户历史序列当中，也允许最后推荐的时候，推荐已经访问的物品，这个问题就算解决了。

本文不同的是，本文是要在模型当中，显性的考虑re-click items。具体做法如下：

（1）将用户历史访问过的物品构成一个序列Is

（2）每一个item有一个embedding，将Is当中的item embedding依次输入到GRU当中，依次得到Is当中每一个物品的新的表达ht

（3）给定当前的t（当前考虑的item），以及一个extra parameter vector guiding attention model，就可以计算t之前每一个的item（包括t）attention/weight；

（4）上面学到的attention/weights，有两个作用：1）aggregate 相关的ht，构成一个新的vector representation；2）用weights构造物品被推荐的概率

（5）利用（3）和（4）的方法，可以分别为repeat和new recommendation tasks各学出一组weights以及相应的aggregation vector representations。

（6）两组aggregation vector representations分别被用来计算repeat和new recommendation tasks两个任务之间的概率分布，以及new item的概率分布。

（7）这样，在给定一个t时，首先判断t时候的物品是否在此之前出现过，根据其出现与否决定采用上述的不同概率表达（repeat or new recommendation）。

（8）最后极大似然已经观察到的样本，求出参数。

（9）得到参数以后，可以往后推一个t，得到新ht，以及对应的weights-score，做出相应推荐。

注意，本文存在的问题：依赖GRU，导致每一个item的序都很重要（严格的序问题，有时后session内部的item的序并不重要）。