BPR絕對可以算是推薦系統領域的開創性文章之一，對於經典我們一定要好好體會和理解。
BPR是一個基於pairwise的算法，在BPR之前大部分方法都基於pointwise的方法，這存在一定的問題，而BPR通過對用戶對不同商品的相對偏好建模很好的緩解了這個問題(可以先去查閱下Learn to rank方法)。需要注意的是，BPR本身只是一個從貝葉斯AUC角度優化pairwise的思路，並不是一個推薦算法。原文中，作者將BPR優化應用到KNN和與MF相結合等場景，取得了不錯的效果，感興趣的同學可以閱讀下原文。
在有些推薦場景中,我們是爲了在千萬級別的商品中推薦個位數的商品給用戶,此時我們更關注的是對用戶來說，哪些極少數商品在用戶心中有更高的優先級，也就是排序更靠前。說白了,我們需要一個算法，這個算法可以把每個用戶對應的所有商品按喜好排序。
建模思路
在BRR算法中，我們將任意用戶u對應的物品進行標記,如果用戶u在同時有item i和j時點擊了i,那麼我們就得到了一個triplet(u,i,j)(u,i,j)