思路：利用RNN对用户浏览顺序建模，利用FNN模拟CF，两个网络联合学习
RNN网络结构：
输出层的state表示用户浏览的某一页面，可以看做是一个one-hot表示，state0到3是依次浏览的页面。因为RNN的输入个数是有限的，如果用户浏览的过多的页面，那么就会丢失最开始的那些页面，paper为了保留这部分信息，使用了history state将前x-n个状态的信息保留下来，作为一个单独的state输入
history state的向量表示如下：
FNN模拟CF：
输入是每个用户的购买item向量0-1表示。输出是item长度的向量，表示当前用户的购买概率（虽然输入是全部用户，但是在training的时候是对具体的一位user算loss，所以输出是这个user的item购买概率，在网络中学习）
两个网络放在一起，在各自最后的ReLU层后算一个softmax，然后将两个网络softmax的输出再算一个 softmax。整体结构如下图：
前四列是RNN，看得出来循环次数是4，最后一列是FNN
论文笔记-Personal Recommendation Using Deep Recurrent Neural Networks in NetEase
原文地址：http://www.cnblogs.com/akanecode/p/8093682.html