NGCF等模型的推荐流程：
1）训练时，用户和物品的初始特征向量可以是随机生成的，也可以是预训练的属性特征，通过模型参数进行转换和学习后生成最终的特征表达，通过最终的特征表达的内积来表示用户u对项目i的评分预测。每个epoch里，设置一个batchsize，将训练集分为Iteration（n_batch= 训练集中用户个数除以batch_size）个batch，每个batch更新一次模型参数，每个epoch里计算一次loss函数，训练10个epoch的时候就是更新了10*Iteration次参数。每次Iteration（n_batch）从训练集里面随机取出一个batchsize的用户，对每个用户都从训练集中找一个positive的项目，找一个negtive的项目（就是不在训练集里的），根据取出的用户id、积极的项目id，和消极项目id从之前生成特征表示矩阵里面取出对应的embedding， 然后通过bpr loss函数计算他们内积之差，通过adam函数更新模型参数优化loss函数，
2）测试时，从测试集里取出所有的用户，用户数量太大，也分为若干batch，每个batch中的用户和数据集中所有的项目，他们的矩阵乘积则表示对应的预测评分，对于单个用户和物品的向量来说就是向量的内积。根据测试集所有用户的预测评分矩阵与测试集所有的用户对应的物品计算相应的召回率和准确率：从预测评分矩阵选取每个用户top_k的物品，查看这些物品是否在用户对应的交互物品中，从而计算召回率等指标。如果要看某一个用户的推荐物品，根据学习到的该用户的特征向量与所有物品的特征向量进行矩阵相乘，获得一个一维度的评分向量，对该向量进行排序后取出最优的物品。