根据已有的用户对item的评分， 来推荐下一个时间用户可能喜欢的items。
只保存用户对item的评分为4 或者 5 的， 将这一类统一设置为1 ， 其他所有的评分为1 2 3的或者unobserved全部设置为0
3 算法思想利用两个矩阵， 用户embedding矩阵 U ， 物品embedding矩阵V， 预测的规则是：
b i b_i bi表示items的bias ， 值越高表示物品越受欢迎
找到 一个pair （u， i），表示的含义是用户u对item i给了高的评分 ，然后在找到一个pair（u， j） ， 表示的含义是用户u对item j是unobserved的状态， 之后计算:
这个算法的核心思想就是要不断的拉大这个差值 ， 直观感受是用户给了高评分的预测值就要高， unobserved的预测值就要低 ，最终的优化函数是：
其中：
最后利用梯度下降优化参数。数据集使用的是ml100k
