Embedding

embedding：以较少的维度表示每个类别，并且还可以一定的表现出不同类别变量之间的关系

embedding的理解

4.1 word2vec: 包括CBOW和skip-gram: word2vec 中的数学原理详解

4.2 deepwalk : Deepwalk算法原理深度研究

4.3 item2vec

4.4 node2vec: node2vec是在deepwalk的基础上进行的。

它使用返回参数p、进出参数q来控制序列的采样（同时实现DFS和BFS）,然后使用skip-gram+negative sample进行embedding

4.5 EGES

1. Graph embedding的缺点:

   

   image-20200407134735887.png

   解决方法:

   

   image-20200407135118246.png

   将item embedding 和side embedding一起加入skip-gram模型进行训练学习

   

   image-20200407135330794.png

   

   image-20200407135354970.png

   side information 带来的好处

   

   image-20200407135525197.png

• 参考:

  推荐系统的中 EMBEDDING 的应用实践