推薦系統(tǒng)中引入 embedding ， 分為兩大流派：

有監(jiān)督學(xué)習(xí)，end-to-end。embedding作為優(yōu)化變量，隨機初始化，在優(yōu)化最終logloss的過程中，得到有意義的embedding作為“副產(chǎn)品”。個人感覺，這一流派是主流，Youtube對video_id、Wide&Deep對app_id、Deep Interest Network對商品id的embedding都是這一思路。

無監(jiān)督學(xué)習(xí)，兩步走。以Item2vec: Neural Item Embedding for Collaborative Filtering為代表。第一步，就是簡單套用word2vec的思路，在電商場景，就將word2vec中的句子換成購物車，將單詞換成商品；新聞推薦場景中，將句子換成session，將單詞換成文章。再直接調(diào)word2vec算法，就得到商品、文章的embedding向量。第二步，這些embedding向量，可以用于召回，可以用于第一類方法的embedding矩陣的初值，也可以當(dāng)特征喂入其他模型。感覺這類方法近年來遇冷，不怎么受關(guān)注 ， Airbnb的這篇文章算是對第二類方法的一次復(fù)興