主要思想：content + preference，不需要引入額外的內容信息和額外的目標函數，通過dropout來模擬數據缺失進行訓練。
本文提出的一種模型，可以結合Memory和Content的信息，但是只使用一個目標函數，即擁有了以往Hybrid model的性能，還解決了冷啟動問題，同時大大降低了模型訓練的復雜程度。
主要定義：
Preference：
代表的是N個user的集合；
代表的是M個Item的集合；
u和 v 形成的 M*N 的preference矩陣為 R ，而 Ruv 代表的是用戶u對項目v的preference，即R的第u行第v列。
對於一個新的User或者Item，就有 Ruv = 0。
Content：
content可以是通過各種渠道獲取的額外信息，信息越多，對推薦的貢獻也會越大。
對於user來說，content可以是user的個人資料，如性別年齡個人評價等等，也可以是其社交網絡的信息，對於item，content可以是一個商品的基本信息，如產地、類型、品牌、評論等等，也可以是相關的視頻圖片資料。
user和item得到的content feature分別為 Φu 和 Φv， 則Φu u(Φv v)就代表用戶u（item v）的content向量。
目標就是使用 R Φu Φv 來訓練一個准確又魯棒的模型。
LFM：
一種基於矩陣分解的用來預測用戶對物品興趣度的推薦算法。
相比USerCF算法(基於類似用戶進行推薦)和ItemCF(基於類似物品進行推薦)算法；我們還可以直接對物品和用戶的興趣分類。對應某個用戶先得到他的興趣分類，確定他喜歡哪一類的物品，再在這個類里挑選他可能喜歡的物品。
把原來的items和users的矩陣分成兩個矩陣，提高運算效率。
模型方法
把R的每一行每一列作為Users和Items的preference向量輸入，難以訓練（Users和Items數量太大）。利用LFM：我們先把R分解成兩個小矩陣U和V，我們可以認為，U和V相乘可以基本重構R，涵蓋了R的絕大部分信息。所以，在preference方面，我們使用U和V來代替R作為模型的輸入。
即
我們對於用戶u，輸入是 [Uv, Φu u]；對於項目v，輸入是 [Vv, Φv v]，然后分別輸入一個深度神經網絡中，得到用戶u和項目v各自的一個新的向量U^u 和 V^v 。
用新得到的u和v的向量 U^u 和 V^v ，我們可以接着相乘得到一個R的新的估計U^u V^v T .
框架圖如下：
目標函數：
希望我們訓練出來的兩個user和item的向量盡可能擬合原來的向量。
在訓練的時候，我們選擇的 Uu 和 Vv 都是有比較豐富的preference信息的向量，在實際推薦中，如果preference信息比較豐富，那么我們只利用這些信息就可以得到很好的推薦效果。我們在冷啟動時利用content信息，也是希望能夠達到有preference信息時候的性能。所以，當我們有充足的preference信息的時候，訓練出的模型給予ntent內容的權重會趨於0，這樣就回歸了傳統的Latent Model了。
模擬冷啟動：
按照一定的抽樣比例，讓user或者item的preference向量為0，即 Uu 或者 Vv 為 0。所以，針對冷啟動，其目標函數為：
這個時候，由於preference向量的缺失，所以content會竭盡所能去擔起大任，從而可以逼近Latent Model的效果：preference不夠，content來湊。
設置dropout的時候，鼓勵模型去使用content信息；不設置dropout的時候，模型會盡量使用preference信息。另外，本身Dropout作為一種正則化手段，也可以防止模型過擬合。
Transform：只有少數perference的情況：
文章還提出了在冷啟動后，用戶或者項目開始產生少數的preference信息的時候應該怎么處理，這樣才能讓不同階段無縫銜接。
它既不是冷啟動，但是可用的preference信息也十分稀少。而更新一次latent model是比較費時的，不能說來一些preference信息就更新一次，再來推薦。所以本文給出了一種簡單的方法，用user交互過的那少數幾個item的向量的平均，來代表這個user的向量。這個過程為transformation。所以，用戶有一些交互之后，先這樣transform一下拿去用，后台慢慢地更新latent model，等更新好了，再換成latent model來進行推薦。
訓練過程：有N個users和M個items，理論上可以形成N×M個樣本。
設定一個mini-batch，比如100，每次抽100個user-item pair，設定一個dropout rate，例如0.3，則從100個用戶中選出30個pair。對於這30個pair，輪流使用dropout和transform來處理后輸入DNN，其余的70個則直接輸入DNN。
實驗結果：
CTR和CDL是hybrid model，WMF是latent model，DeepMusic則是一個content model。
作者還提到他們模型的另一大優點就是，可以輕松地結合到之前的其他模型上，所以，作者將它們的模型和WMF以及CDL結合，稱為DN-WMF和DN-CDL。
值得注意的是這個DeepMusic，這是一個純content-based model，意思是不使用preference信息。可以看到，在warm start這種有着豐富preference信息的環境下，它的效果遠不如利用preference的其他模型。而在cold start這種沒有preference信息的情況下，效果就超過了hybrid model。