文中首先将一些context信息以编码、压缩、拼接等形式导出用户、物品、时间的embeedings（较为常规），然后以张量分解的形式估计评分。

 

本文有几个亮点可以借鉴：

1）神经网络复杂度计算（分别分析各个子模块）；

2）简单数学证明（借助数学转换说明一个方法是另一个方法的特例）

3）基于数学表达式的形式，简化模型（减少参数，张亮外积->n-Mode Tensor product：通过n-Mode减少原来输入层的参数，从而简化MLP的复杂度）

4）利用生成对抗学习进行负采样（*）

其思想在于：利用生成器生产（选择）具有迷惑性的负样本（预测评分与真实正样本接近的负样本）

->辨别器：尽可能在自己的模型下，让正样本估值变大、负样本估值变小（基于生成器选择的负样本）；

->生成器：尽可能让自己选择的负样本（在自己模型下估值较大的负样本），也可以在辨别器下（前一轮训练完成的辨别器）得到较大的估值。

->训练方法：

基于初始化生成器，选择在生成器中估值最大的负样本（针对每一个正样本，在候选负样本池当中选择一个负样本）；

基于上述正负样本对，训练辨别器（辨别器的目标则是让刚才选的负样本估值尽可能小）；

基于训练好的辨别器，就可以找到当前情况下，最具迷惑性的负样本（即在辨别器中估值较大的负样本）

基于上述的负样本，再反过来训练生成器（即增大这些负样本在生成器中的估值）