用户-物品交互模式建模是个性化推荐的一项重要任务，许多推荐系统都基于用户与商品之间存在线性关系的假设，忽略了现实物品与历史物品之间交互的复杂性和非线性，导致这些系统不足以捕捉到用户的复杂决策过程。为此，将一个更有表现力的Top-N推荐系统的物品相似性因子模型解决方法与多层感知机方法相结合，以有效地建模物品之间的高阶关系，捕获更复杂的用户决策。分别在三个数据集MovieLens、Foursquare和ratings_Digital_Music上验证了结合后的效果，并与基准方法MLP、分解物品相似度模型（FISM）、DeepICF和ItemKNN进行对比，结果表明，所提出的方法在推荐性能上有明显的提高。
