上周周报：
- FINISH-LIST: (1) 完成JCST 第二次修改； (2) 完成CSC材料准备.
- ON-GOING-LIST：（1）阅读4篇论文，重点了解 attention mechanism，思考应用到现有工作中，下周给出总结；（2）推进TOIS期刊的实验，做完分析实验部分.
- TODO-LIST: 完成期刊的模型拓展部分，撰写论文.
本周周报
FINISH-LIST：
一、阅读文章：
1. Collaborative Topic Modeling for Recommending Scientific Articles
2.Collaborative Deep Learning for Recommender Systems
3.Review Networks for Caption Generation
4. Neural Generative Question Answering
5.Knowing When to Look: Adaptive Attention via A Visual Sentinel for Image Captioning
阅读总结：
（1）文章【1】【2】 是关于改进推荐算法MF的，推荐算法分为两类，协同过滤模型和基于内容的推荐模型。 MF是协同过滤模型,其缺点之一就是只考虑了rating的关系，没有将商品用户内容考虑进去。
【1】2011年kdd将 商品内容 item用topic model刻画， 引入概率MF中；【2】kdd2015用相似的模型框架，将 item用深度学习encoder-decoder框架学习，引入到概率MF中进行刻画。其共同思想在于MF中user和item的隐含向量同时由rating的矩阵和 学到的item的特征表示共同决定。
学习这两篇论文的意义在于，我将探索如何用深度学习框架将两类推荐模型结合，其一就是改进MF的框架（ijcai工作），其二就是如【2】中，提供了的思路，将item文本表示引入传统MF框架中，缺点在于，只用encoder-decoder 刻画商品item的文本，因为很自然的一个思路，也可以用encoder-decoder 根据user购买历史，刻画用户的向量，共同加入训练。
（2）文章【3】【4】【5】是关于attention mechanism 应用于各个方面，attention mechanism是一个非常自然的想法，【5】中给出了如何attention加入RNN模型的基本方法，【4】中额外引入knowledge base 的模型可以作为以后混合模型方式之一【3】用review network改进attention model在encoder-decoder 框架中的应用，提出普通attention机制存在的缺点：未考虑全局的attention， 未刻画每一步attention之后的generator 效果。该文章解决了这两个问题。
ON-GOING-LIST：
（3.27-4.3）
(1) Early reviewer JD数据集的分析实验及原模型跑出结果
（3）读三篇文章，下周给出总结
（2）深度学习模型跑出结果
TODO-LIST：四月底完成TOIS.