前言
在之前得专栏文章中，我们介绍过一种将度量学习引入推荐系统的方法Collaborative Metric Learning(CML)论文总结。其主要的motivation就是说传统的基于点积的矩阵分解方法不满足三角不等式，因此不是一个好的度量方式，会存在一些问题。对此，CML的解决思路是将用户和商品投影到欧几里得空间，然后用欧几里得距离来度量用户对不同商品的偏好。
那么CML就是完美的吗？显然是不可能的。 CML的出现后，涌现了一系列的基于度量学习的推荐算法，大部分都是对原CML的改进和提高，我会慢慢为大家梳理，最终整理成一篇综述文章。今天先介绍第一篇文章：
CML存在的问题
首先，我们先定义两个概念，intensity和heterogeneity。
intensity
在隐式反馈的背景下，我们收集到的用户信息都是非0即1的，为1的表示感兴趣。
intensity是说隐式反馈中蕴含的user-item的偏好强度应该是不同的，因为总有一些商品和用户更相关。
heterogeneity
此外