Dual-Embedding based Deep Latent Factor Model（DELF）一文发表在IJCAI 2018上，作者使用ID和历史记录得到了4类Embedding向量（即User ID、User History、Item ID和Item History），然后将表示用户和物品的Embedding两两组合，分别喂进4个MLP中进行逐对交互。此外，作者采用了Attention机制来区分用户交互过的物品在用户表示中的重要性（对物品采用同样的操作）。
研究动机
大部分现有的方法只使用用户和物品的ID进行Embedding，Embedding的质量存在正反馈不足和负反馈噪声的问题。
However, all these methods represent each user or item with a single embedding which is learned progressively with the prepared training instances, and hence the quality of the embeddings still suffers from inadequate positive feedback or noisy negative feedback.
模型结构
损失函数
作者使用了binary cross-entropy
$$
L_{log} = - \sum_{(u,i) \in \mathcal{R} \cup \mathcal{R}^-} R_{ui} \log(\hat R_{ui}) + (1 - R_{ui}) \log(1 - \hat R_{ui})
$$
其中，$\mathcal{R}$表示正样本，$\mathcal{R}^-$表示采样得到的负样本。
