关于音乐推荐：
1、基于Music Play Sequence（在购物中就是基于basket）：Cheng, Zhiyong, et al. “Exploiting Music Play Sequence for Music Recommendation.” Twenty-Sixth International Joint Conference on Artificial Intelligence 2017:3654-3660. 使用最基本的MF(Matrix Factorixation) 结合 Song2vec Music Similarity，即通过word2vec的思想，将playlist看作context中的sentence，使用SDNS(the skip-gram negative sampling)的采样方法来学习歌曲中间的相似度，最后在MF（x{ij}-p_u q_i）的基础上加上(s{i,j}-q_i^{T}q_j)^2，最后minimize损失函数，训练得到user和item的embedding表示。
2、基于Playlist：Chua, Tat Seng, et al. “Embedding Factorization Models for Jointly Recommending Items and User Generated Lists.” International ACM SIGIR Conference on Research and Development in Information Retrieval ACM, 2017:585-594. 提出embdding factorization models，使用user-item interaction（user-item-list），item-item interaction（item-item-list）两种关系矩阵，其中list作为side-information。使用sentence to vector的方法，对playlist进行向量化，即考虑某首music的上下相关music集以及其所在的playlist，主要包括words in the context of a sentence 和 words and a sentence in the context of a word。最后提出了两个模型，第一个为EFM-Side：主要包括\sigma(\hat x_{uij})，\sigma(\hat m_{ijt})，第一个表示user-item，第二个表示item-item；第二个位EFM-Joint：模型主要包含三个部分\sigma(\hat x_{uij})，\sigma(\hat y_{uij})，\sigma(\hat r_{ijt})。第一个表示user-item，第二个表示user-list，第三个表示item-item-list的关系。最后可以达到个性化推荐，由于歌曲所属playlist也参与其中，在new music进入时，通过其归属的playlist可以进行很好的推荐，从而有效解决cold start；而且可以提供item和list两种推荐模式。
3、基于user-song interaction：这种类型的模型主要是使用协同过滤（collaborative filtering）。