本文思路整理如下：
实际需求
训练数据
《Recurrent Recommender Networks》
目的：采用LSTM构建模型，以适应user及movie的动态性，从而得以更精准做视频推荐。
论文信息：德克萨斯奥斯汀校、谷歌、CMU、LinkedIn。Proceedings of the 10th ACM International Conference on Web Search and Data Mining.
一，Contribution：
1）为RNN应用于推荐系统提供了一种思路，并基于奈飞和iDMb数据，和现有的一些其他方法做效果对比，突出了RNN也适用于推荐场景。
2） Nonlinear, Nonparametric, Dynamic Recommender：无需手动选择特征，联合用户和物品状态，预测未来趋势。通过选择神经网络结构，学习用户和电影的动态嵌入。(ps:因为不需要再学习用户的向量表示，只需要学习状态转移函数的参数就可以了)。
3） Efficient Training：模型训练效率高，可以训练6年的电影数据，为超过100M数据评分。
4）Empirical Evidence：该模型预测的准确度比其他模型更高，能够自动获取出与时间相关的模式特征，和已知的时间模式相匹配。
5）第一篇以完全时间序列综合的方式论述电影推荐的论文。
二，实验：
首先：考虑实际需求：
l 用户对电影的看法是随时间变化的。
l 季节时令。
l 用户兴趣变化。
基于上面需求，本论文所提模型需要考虑时间动态因素。
其次，本文实验数据集：在IMDb和Netflix数据集上都有验证。
实验环境：MXNet（亚马逊的深度学习库，类似tensorflow）
2.1本文模型：
左上的序列代表用户i的LSTM模型，每当用户进行一次评分操作y后，该用户的表示都会用LSTM模型进行更新。与此对应，每个电影也有对应的LSTM模型（左下的序列）刻画当前的向量表示，每次被评分时都会发生变化。之后模型用用户和电影LSTM中的当前表示，对当前用户i对电影j的评分行为进行预测。
此外，模型中也对每个用户和电影设置了固定的向量表示（右侧的圆形节点），用于刻画用户和电影的静态属性。
接下来分开具体看一下：
1,对于左上模型，为用户i的LSTM模型。
其输入为
上式中，
l Xt为用户i在t时刻对电影m1,m2,,,,,的评分向量，如果用户i对电影mk在t时刻进行评分为k则，否则
。（如果用户i不对任何电影进行评价则不输入LSTM网络，以提高训练效率。）
l lnewbie = 1表示当前用户i是一个新用户。
l t为评分时刻。
l Wembed操作为把上面数据embedding为固定维数的向量，作为LSTM的最终输入数据。（embedding操作另见文档《20180124_算法学习_Word2Vec_刘欢》）
LSTM的处理过程另见文档《RNN和LSTM》
经过LSTM，其输出为
2,对于左下模型，为电影j的LSTM模型。处理和用户相同。
其输入为
上式中，
l Xt为电影j在t时刻用户i1,i2,,,,,的评分向量。
l lnewbie = 1表示当前电影j是一个新电影。
l t为评分时刻。
l Wembed操作为把上面数据embedding为固定维数的向量，作为LSTM的最终输入数据。（embedding操作另见文档《Word2Vec》）
LSTM的处理过程另见文档《20180204_算法学习_RNN和LSTM_刘欢》
经过LSTM，其输出为mt := LSTM(mt−1,yt)
3，静态用户和电影状态，详见《PMF》
4，t时刻的评分
最后，总结一下整体的工作流程：作者取最近的观测状态作为输入，然后以最新的状态为基础，做状态更新并对未来做预测。显然该过程自然的考虑了之前的评分数据，符合因果关系。对于预测的评估可以转化为一个最优化问题，其实也就是加了修正项的最小平方误差。
具体参数训练时，采用一种简化方法，也称为子空间下降：在反馈传播用户评分并更新用户向量的时候，固定电影状态；对于电影向量的更新，也是如此。
本模型增加了动态状态的考虑，明显取得了更高精确度。
作者的实验在IMDb和Netflix数据集上都有验证。具体的实验效果参见下表：
可以看出，在数据较大稀疏的情况下，依然能够取得较低RMSE。
可以看出，本文所选RNN模型在参数较少的情况下依然保持了较低的RMSE（均方根误差亦称标准误差）。
另外，本文模型对时间粒度及敏感性：对于LSTM，时间粒度划分越小，训练成本也越大。作者通过实验说明，预测的效果（RMSE）对时间粒度的大小并不是非常敏感。这可能是因为RNN的生成是完全一般的，它没有假定数据的形式或具体分布。
三，更多关于论文细节
1）关于特征embedding详见博客《Word2Vec》。
2）关于LSTM的处理过程另见博客《RNN和LSTM》
3）关于梯度和随机梯度下降详见博客《SGD》
4)关于优化方法详见博客《Adam》
5)关于PMF等详见博客《PMF》