模型创建
title _ count, title _ set, genres2int, features, targets _ values, ratings, users, movies, data, movies _ orig, users _ orig = pickle.load (open (‘preprocess.p’, mode = ‘rb’))
加载数据后定义神经网络的模型结构：
1）定义参数
相关代码如下：
3）定义用户嵌入矩阵
在预处理数据时将UserID、MovieID的字段转成数字，当作嵌入矩阵的索引，在网络的第一层使用嵌入层，维度是（N，32）和（N，16），其中N是电影总数。定义用户嵌入矩阵的相关代码如下： 
4）定义电影嵌入矩阵
相关代码如下： 
5）定义电影类型嵌入矩阵
有时一个电影有多个类型，从嵌入矩阵索引出来是一个（n，32）的矩阵，这里的n是指某部电影所包含的类型。因为有多个类型，所以要将这个矩阵求和，变成（1，32）的向量。相关代码如下： 
电影名的处理比较特殊，未使用循环神经网络，而是用了文本卷积网络。网络的第一层是词嵌入层，由每个单词的嵌入向量组成矩阵。第二层使用多个不同尺寸（窗口大小）的卷积核在嵌入矩阵上做卷积，窗口大小指的是每次卷积覆盖几个单词。这里与图像做卷积不同，图像卷积通常用2×2、3×3、5×5的尺寸，而文本卷积要覆盖整个单词的嵌入向量，尺寸是单词数、向量维度，例如，每次滑动3、4或5个单词。第三层网络是最大池化得到一个长向量，第四层使用丢弃做正则化，得到电影Title的特征。相关代码如下： 
7）全连接层
从嵌入层索引出特征后，传入全连接层，将输出再次传入全连接层，模型结构如图4-11所示，最终分别得到（1，200）的用户和电影两个特征向量。
8）定义计算图
目的是训练出用户特征和电影特征，在实现推荐功能时使用。得到这两个特征以后，可以选择任意的方式来拟合评分。对用户特征和电影特征两个（1，200）向量做乘法，将结果与真实评分做回归，采用MSE优化损失。相关代码如下：
.模型训练
定义超参数的代码如下：其中，一个batch就是在一次前向/后向传播过程用到的训练样例数量，训练5轮，每轮第一个batch_size为3125，作为训练集，训练步长为20，第二个batch_size为781，作为测试集，训练步长为20，训练集训练结果如图4-12所示，测试集训练结果如图4-13所示。
通过观察训练集和测试集损失函数的大小来评估模型的训练程度，进行模型训练的进一步决策。一般来说，训练集和测试集的损失函数不变且基本相等为模型训练的较佳状态。可以将训练过程中保存的损失函数以图片的形式表现出来，方便观察，相关代码如下： 
获取特征矩阵
本部分包括定义函数张量、生成电影特征矩阵、生成用户特征矩阵。
1）定义函数用于获取保存的张量
相关代码如下： 
