基本思路：利用用户和商品的评论构建CNN预测评分。
网络结构：
user review网络与 item review网络结构一致，仅就前者进行说明
从user review text到 look-up layer：
首先需要pre-train一个word embedding的词表，对某个用户，将其对所有商品的评论拼接为一条sequence，对其中的每个词，去look-up table中找对应的vector，所以最后形成的是一个word embedding的matrix，作为输入，进入convolution layer。 paper强调review中词的顺序被matrix保留，所以要强于词袋模型。
然后经过常规的convolution layer和 max pooling，可以看到user和item在max pooling后分别是一个向量了，经过FC层后的向量 x与y拼接到一起成为z，然后通过一个FM model最小化loss function
paper中对实验结果的分析，表示对review数目少的user和item而言，MSE降低的更明显（baseline是MF模型），说明本模型能降低数据稀疏的影响。