Collaborative Deep Embedding
这篇论文的模型跟DeepMatrixFactorizationModelsforRecommenderSystems 思路非常相近，所以前面的废话描述都不重复了，直接来看模型
作者的目的也是用非线性的神经网络结构去改进矩阵分解模型，但是作者做出几个变种，如上图的情况，最左边是基本模型，经过多层转换后，最后结果做点积；上图中间是一个小的改进，线性转化的每一层都做点积，最后做求和，作为对评分的估计；上图右边是继续的改进，每层之后相当于多做一层Embedding，之后再点积求和。
作者定义损失函数为 \[ \min_{W_u,W_v}\sum_i\sum_jc_ij||R_{ij}-<f(x_i;W_v),g(r_i;W_u)>||^2 \] 总的来说就是均方误差在整个模型结构上的损失。之后作者与CDL模型做了比较，列举了几个CDL的劣势，但是总的感觉就是对CDL模型单方面只对物品Encoded的改进，总体感觉改动并不大。
Summary
本篇也是一篇利用神经网络的非线性来做矩阵分解的，这篇我看见的比较早，之前在arxiv上就看见了，第一次看见的时候感觉思路特别棒，看见之后觉得跟矩阵分解有异曲同工之妙，但文中作者并为这么点出，而以CDL的改进模型作为出发点，感觉被拒的原因就是如此。对于矩阵分解和这个模型，感觉可以证明一下二者之间的等价性，水一篇论文，但这个idea一直没有去实现。今天看IJCAI-17，看见一篇思路一致的论文，是南大某实验室发的，不知道这二者孰先孰后，这篇论文ICLR 上屡屡遭拒，而另一篇却被IJCAI接收，真是感慨万千。