1、Information
publication：CoRR 2012
2、What
商品推薦中常用的方法矩陣因子分解(MF)，協同過濾（KNN）只考慮了用戶購買的商品，文章提出利用購買與未購買的偏序關系對，利用機器學習的方法，進行模型訓練，發現對於未購買商品的推薦（即排序問題）效果有提升。
3、Dataset
Rossmann（online shop):user-item(1w-4k), Netfliex(DVD rental dataset)
4、How
input:
Ds(u,i,j):用戶購買商品偏序關系對的集合
output:BPR模型參數.
在MF 和KNN 中分別是
MF: X=WH'.輸出為W,H
KNN:X=sum(C).輸出為C.
method：
論文不使用通常MF和KNN算法中，最小化損失函數來得到模型參數；而是利用用戶對商品購買和未購買的偏序對關系，采用的是最大化BPR算法參數的后驗概率，通過隨機梯度下降的方法，得到MF和KNN算法的參數，進行商品的排序推薦。
5、Evaluation:
AUC: 從每個用戶的(u,i,j)偏序關系中抽出一條用作測試。
baseline:
most popular, cosine-KNN, SVD-MF,WR-MF
6、Conclusion
利用偏序關系做商品推薦，是一個很強的baseline;
7、Think
文章是基於用戶購買記錄，利用偏序關系對做商品推薦（思考：與社交媒體結合，預測用戶購買商品的偏序關系？研究意義是：社交媒體信息可以用於對商品購買的預測。）