这篇文章发在IJCAI2017上，是一篇音乐推荐的文章，简单解读一下。
用户在听歌的时候会留下很多数字信息，不仅可以反映出用户的喜好，还能够反映出歌曲之间的相似度，这在之前的音乐推荐中是不被重视的。本文提出了一种个性化的音乐推荐算法，能够有效地刻画出用户的喜好，作者先用word embedding方法估计歌曲之间的相似度，之后再将学习到的相似度嵌入矩阵分解模型中，来提升潜在特征的辨识度，一般选取\(k\in[3,7]\) 首相近的歌曲进行推荐，既可以避免较高的计算复杂度，同时也可以满足推荐需求。
作者定义的目标函数为： \[ \min_{q*,p*}\frac{1}{2}\sum_{u,i}(r_{ui}-\hat{r}_{ui})+\frac{\alpha}{2}\sum_{i,j\in n(i,k)}(s_{ij}-q_i^Tq_j)^2+\frac{\lambda}{2}\phi(\theta) \] 其中第一项为矩阵分解项，第二项是采用embedding之后的\(k\) 个最近的物品的余弦相似度与矩阵分解的物品向量的相似度的平方差，第三项为正则项。
简单来说这篇文章有点度量学习的味道，目的就是为了学习到更好的矩阵分解向量，增加了一个目标函数的惩罚项。看最后结果也是略有些提升，感觉方向是个好方向，但也只是个水论文的方向，它是一个很大的改进吗？感觉并不是那么实在，如同鸡肋，食之无味弃之可惜。