基本思路：利用用戶和商品的評論構建CNN預測評分。
網絡結構：
user review網絡與 item review網絡結構一致，僅就前者進行說明
從user review text到 look-up layer：
首先需要pre-train一個word embedding的詞表，對某個用戶，將其對所有商品的評論拼接為一條sequence，對其中的每個詞，去look-up table中找對應的vector，所以最后形成的是一個word embedding的matrix，作為輸入，進入convolution layer。 paper強調review中詞的順序被matrix保留，所以要強於詞袋模型。
然后經過常規的convolution layer和 max pooling，可以看到user和item在max pooling后分別是一個向量了，經過FC層后的向量 x與y拼接到一起成為z，然后通過一個FM model最小化loss function
paper中對實驗結果的分析，表示對review數目少的user和item而言，MSE降低的更明顯（baseline是MF模型），說明本模型能降低數據稀疏的影響。