Model
数据集： ml-1m
数据集： Criteo
原文笔记： https://tech.meituan.com/2016/03/03/deep-understanding-of-ffm-principles-and-practices.html
数据集： Criteo
C++包： https://github.com/ycjuan/libffm
【注】FFM复现只是为了让自己更清楚其构造，但是真正在场景或比赛中应用的话，还是调取上述包。因为自己不会优化，两个for循环太慢了。
原文笔记：https://tech.meituan.com/2016/03/03/deep-understanding-of-ffm-principles-and-practices.html
模型：
数据集： 由于原文没有给出公开数据集，所以在此我们使用Amazon Dataset中的Electronics子集，由于数据集的原因，模型可能与原文的有所出入，但整体思想还是不变的。
原文笔记： https://mp.weixin.qq.com/s/LRghf8mj1hjUYri_m3AzBg
模型：
数据集： Criteo
原文笔记： https://mp.weixin.qq.com/s/WXnvkoRFxwFpflStAuW7kQ
模型：
数据集： Criteo
原文笔记： https://mp.weixin.qq.com/s/GMQd5RTmGPuxbokoHZs3eg
模型：
数据集： Criteo
原文笔记： https://mp.weixin.qq.com/s/DkoaMaXhlgQv1NhZHF-7og
模型：
数据集： Criteo
原文笔记： https://mp.weixin.qq.com/s/1en7EyP3C2TP3-d4Ha0rSQ
模型：
数据集： Movielens、Pinterest
原文开源代码： https://github.com/hexiangnan/neural_collaborative_filtering
模型：
数据集： Criteo
原文开源代码： https://github.com/hexiangnan/attentional_factorization_machine
原文笔记： https://mp.weixin.qq.com/s/hPCS9Dw2vT2pwdWwPo0EJg
模型：
数据集： Criteo
原文笔记： https://mp.weixin.qq.com/s/bxYag1GcJABkwwz0NmLI5g
模型：
数据集： Criteo
原文开源代码： https://github.com/Leavingseason/xDeepFM
原文笔记： https://mp.weixin.qq.com/s/TohOmVpQzNlA3vXv0gpobg
模型：
数据集： Amazon数据集中Electronics子集。
代码解析： https://zhuanlan.zhihu.com/p/144153291
参考源代码地址： https://github.com/zhougr1993/DeepInterestNetwork
原文笔记： https://mp.weixin.qq.com/s/uIs_FpeowSEpP5fkVDq1Nw
模型：
数据集： ml-1m数据集，隐式；
参考原文开源代码地址： https://github.com/kang205/SASRec