验证了RNN没有办法学习矢量和，且最终结果p直接就是进行结果的排序
ABSTRACT
下一篮子推荐(NBR)在电子商务和零售业中非常普遍。在此场景中，用户一次购买一组商品(一个篮子)。NBR基于一系列篮子执行顺序建模和推荐。NBR通常比被广泛研究的顺序(基于会话)推荐要复杂得多，后者根据一系列项目推荐下一项。递归神经网络(RNN)已被证明是一种非常有效的序贯建模方法，因此适用于NBR。然而，我们认为现有的RNN不能直接捕获推荐场景中的项目频率信息
通过对真实数据集的仔细分析，我们发现个性化商品频率(PIF)信息(记录用户购买每件商品的次数)为NBR提供了两个关键信号。但是，现有的方法在很大程度上忽略了这一点。尽管现有的基于RNN的方法具有很强的表示能力，但我们的实验结果表明，它们不能学习和捕获PIF。因此，现有的方法不能充分利用PIF中包含的关键信号。鉴于RNN的这一固有局限性，我们提出了一种简单的基于项频的k近邻(KNN)方法来直接利用这些关键信号。我们在四个公开的真实数据集上对我们的方法进行了评估。尽管我们的方法相对简单，但当与PIF关联的模式在数据中扮演重要角色时，我们的方法经常优于最先进的NBR方法-包括使用RNN的基于深度学习的方法。
1 INTRODUCTION
推荐系统已经在许多不同的应用中得到了应用。NBR是一种推荐问题，其目的是根据用户的历史购物篮 向他/她推荐一组商品，这在电子商务和零售业中非常普遍。与TOP-N推荐(其历史记录是一组项目)[33]和顺序推荐(其历史记录是一系列项目)[31]不同，下一篮子推荐的历史记录是一系列集合或连续集合(其元素是集合)。考虑到历史记录，当NBR只有一个篮子和具有大小都为1的篮子序列时，Top-n推荐和基于