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， 物品embedding矩阵 W ， 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.
b u b_u bu表示用户的bias
U u − i U_u^{-i} Uu−i是用用户对哪些item进行过评分来确定，W是一个item的隐式矩阵，将用户对评过分的items所对应的W向量进行上述处理来确定用户U的feature vector，然后和item i所对应的V向量点积加上bias得到最终的预测结果。
4 损失函数
其中：
P是正样本(评过分的（user , item）pairs)
A是负样本(未评过分的（user , item）pairs)
实现时负采样样本数是正样本的3倍
之后进行梯度下降更新即可，评估指标Pre@5 ， Rec@5
