在綜述中紛紛云云一言以蔽之就是各種技術的排列組合和效能優化。但神經網路很讓人詬病的是它的“黑匣子”特性，在應用於推薦系統中時我們往往無法理解，即沒有有效的可解釋性。
比如CF 是很好的個性化推薦主流技術，但它只對使用者–專案互動進行建模，不能為推薦提供具體的理由（僅僅是你的朋友喜歡那麼你就會喜歡，這樣的理由往往太過粗糙）。技術上更是因為在基於embedding的方法後，如Wide&Deep和FM等，雖然有很好的推薦效能，但是它們就像黑匣子一樣工作，無法解釋embedding後的隱變數究竟是什麼，也無法明確說明預測的理由。而基於樹的方法，如決策樹，只是通過從資料中推斷決策規則來進行預測的，而忽視了互動特性，因此它具有在協作性、擴充套件性的場景效果不佳。於是乎：
Tree-enhanced Embedding Method (樹增強嵌入方法，TEM)

結合了基於embedding和基於tree的模型的優點。即先使用一個基於樹（GBDT）的模型來學習豐富的顯式決策規則(從使用者和專案的側資訊上學習交叉特性)。然後再用基於embedding的attention模型，它可以包含顯式的交叉特徵，也可以推廣到使用者ID上未見的交叉特徵和還有物品ID。
比如上面的GBDT樹，具體分類標準如下：

從根結點到葉結點的路徑可以看作形成了一個決策規則，這就形成了天然的自解釋的性質。但是由於單純的tree在面對未知特徵，比如使用者和商品的ID時樹模型的泛化能力很差。於是再採用embedding：

即該模型先使用GBDT來構造各種交叉特徵（構造完畢後），然後利用交叉特徵，僅僅使用embedding和attention機制來代替全連線層（全連線層的高抽象能力產生的非線性，也沒有了模型的可解釋性）。其中模型中的attention net具體為：

$W_{uil}$是（u，i）的第 l 個交叉向量的權重，但是對於沒記錄即（u，i）不存在的情況下無法估計這個權重，所以作者將它看作是一個獨立函式，然後用MLP來估計它。最後再用max或者avg來聚合特徵。