综述：
本文将 CNN 与 FM(Factorization Machine) 结合，基于评论文本来进行评分预测。
简介：
目前将神经网络应用推荐系统的研究工作中，有一类思路是把如CNN等神经网络作为特征提取器，从图片、文本等辅助信息中提取特征向量，
’再融合到传统的如BPR, PMF等基于矩阵分解的推荐系统模型中来提升推荐性能。
相较于ConvMF使用物品的文本描述信息来约束物品对应的隐向量，本文构建了两个并行的CNN模型，一个以用户发表的评论文本作为输入，
提取用户的行为特征；另一个以商品收到的评论文本作为输入，学习商品的特性。
在两个CNN模型的输出层之上有一个共享层，使用FM来建模用户的特征与商品的特征之间的关联关系，从而将用户向量和商品向量映射到相同
的特征空间。这就是模型名称中Cooperative一词的由来，同时对用户特征和商品特征进行提取，再通过因子分解机来预测用户对商品的评分值。
详细：
-
Word Representation
user review text 是把每个用户所有的评论 拼接起来，这样用户就对应1篇文档，这篇文档由这个用户的多个评论组成。
-
CNN - layer
传统卷积层，把一篇文档输入后，最后得到这个用户的向量表达。同理，可以得到每个商品的向量表达。
-
FM层
通过 CNN 得到用户 u 的特征向量 x_u 和物品j的特征向量 y_j 后，将两者连接成向量 z =(x_u, y_j)。然后使用因子分解机来预测用户 u 对物品j的打分，
目标函数为公式7，其中 w _0 是全局偏置量，w _i 表示向量z 中第i个分量的权重， 则建模了各分量之间二阶的交互关系。