有个问题请教下老师，我的理解，这个RNN模型考虑了用户的历史播放行为来做预测，应该是针对某个特定用户的，如果我们需要给每个用户做个性化推荐，岂不是需要训练非常多的RNN模型？（每个用户一个）

感觉这部分说的有点虚，对于的RNN实际应用没有具体的讲解，过于概括

就是输入层 x 经过连接参数线性加权后，再有激活函数 F 变换成非线性输出给输出层。

看公式，是不是应该 输出给隐藏层？

这里是否跟上一张youTube存在一样的问题，分类的类别可能上亿，效率如何？是否可以把歌曲进行分类，把输入歌单也映射成类别，用类别序列预测类别，不过往往用户听歌喜欢听一某个特定类别的序列。
老师，训练样本选取以及处理的时候是不是先对每个歌曲进行embedding，然后将用户形成的歌曲列表中每首歌的embedding向量相加，或者取平均，然后塞入模型中？RNN是否换成lstm或者GRU来试下，效果如何？有单独介绍这个实践的文章吗？

这个只是最简单的版本吧，只考虑每个歌单的顺序，并没有结合不同用户的feature之类的。assumption是大家听了这个歌之后都听了下一个歌，那么你一定喜欢下一个歌。现实有点差距啊。

有些好奇对于无标注或少标注的时间序列数据有没有什么RNN的无监督深度学习变体可以处理，而且有开源或成熟的工具可以落地。我之前遇到过一个被叫作Nonlinear Autoregressive Network(NAN)的算法用来处理时间序列数据，没搜索到这种名字的算法的在时间序列数据上的计算应用细节。

有实际例子？