BPR绝对可以算是推荐系统领域的开创性文章之一，对于经典我们一定要好好体会和理解。
BPR是一个基于pairwise的算法，在BPR之前大部分方法都基于pointwise的方法，这存在一定的问题，而BPR通过对用户对不同商品的相对偏好建模很好的缓解了这个问题(可以先去查阅下Learn to rank方法)。需要注意的是，BPR本身只是一个从贝叶斯AUC角度优化pairwise的思路，并不是一个推荐算法。原文中，作者将BPR优化应用到KNN和与MF相结合等场景，取得了不错的效果，感兴趣的同学可以阅读下原文。
在有些推荐场景中,我们是为了在千万级别的商品中推荐个位数的商品给用户,此时我们更关注的是对用户来说，哪些极少数商品在用户心中有更高的优先级，也就是排序更靠前。说白了,我们需要一个算法，这个算法可以把每个用户对应的所有商品按喜好排序。
建模思路
在BRR算法中，我们将任意用户u对应的物品进行标记,如果用户u在同时有item i和j时点击了i,那么我们就得到了一个triplet(u,i,j)(u,i,j)