Terminology
word2vec：
doc2vec embedding：
User profile?
R: 瀏覽過(guò)的文章數(shù)量
rh：doc2vec embedding
U：user profile（用戶概況）which?accounts for both the short term as well as the long term interests of the users.
采用了三種形式來(lái)表示user profile以便理解時(shí)間上的模式衅谷。加了discount的模型是為了給最近閱讀的文章更大權(quán)重椒拗，以前的權(quán)重更小。
DSSM模型（Deep Structured Semantic Model）
看做高斯分布不再合適，還要考慮潛在data和排序盏触，改進(jìn)loss函數(shù)為
實(shí)驗(yàn)
1. Settings
數(shù)據(jù)集：CLEF NewsREEL 2017. 用gensim 來(lái)學(xué)習(xí)doc2vec embedding（size設(shè)為300）雌芽。數(shù)據(jù)集中77%為小于3篇授艰，用10-15篇閱讀量的user來(lái)train（for cold start problem），2-4篇的來(lái)test膘怕。>15篇的user在frequency（想诅？）上變化比較大召庞，所以不采用岛心。
leave-one-out法來(lái)做evaluation，performance用HR@k（測(cè)試item是否在）top k list中篮灼；NDCG accounts for the position of the hit by assigning higher scores to hits at top ranks.?
（矩陣分解）Baseline：BPR 忘古，eALS ，NeuMF 等方法（待查）
用Keras 做诅诱，training集合和validation集合比例為4：1髓堪。全連接層的權(quán)重初始化用范圍內(nèi)均勻分布。batch size為256娘荡，梯度用adabelta干旁。
2. Performance
