《深度学习推荐系统》，作者王喆，2020年3月第1版，第3章《深度学习在推荐系统中的应用》。
以多层感知机MLP为核心，需要有下面的演化方向：
1、增加神经网络的层数和结构复杂度：单层神经网络模型AutoRec（自编码器推荐）、深度神经网络结构Deep Crossing（深度特征交叉）；
2、丰富特征交叉方式：改变用户向量和物品向量互操作方式NeuralCF（神经网络协同过滤）、定义多种特征向量交叉操作PNN（基于积操作的神经网络）；
3、组合两种不同特点、优势互补的深度学习模型，提升模型综合能力：Wide&Deep、Deep&Cross、DeepFM；
4、FM的深度学习演化版本：使用神经网络提升FM二阶部分特征交叉能力NFM（神经网络因子分解机）、利用FM结果进行网络初始化FNN（基于因子分解机支持的神经网络）、引入注意力机制的FM模型AFM（注意力因子分解机）；
5、注意力机制与推荐模型结合：AFM、引入注意力机制的CTR预估模型DIN（深度兴趣网络）；
6、序列模型与推荐模型结合：使用序列模型模拟用户行为兴趣演化趋势DIEN（深度兴趣进化网络）；
7、强化学习与推荐模型结合：强调模型的在线学习和实时更新DRN（深度强化学习网络）。
构建$m$个用户对$n$个物品的评分的共现矩阵（未评分填默认值或者平均值），