id embeding和属性特征embedding

推荐算法中各方法优缺点

基于id的嵌入表示与基于属性特征的嵌入表示

基于id的嵌入表示为每个用户单独假设了一个输入id到embedding的映射关系，基于属性特征的表示方法从输入属性特征到embedding的映射是共享所有用户，可能属性特征相同的用户有完全不一样的喜好，儿基于属性特征的embedding却是一样的。

id embedding只能处理训练时见过的用户，无法对新用户给出预测，只能做transductive learning（训练集和测试集必须共享同一部分用户）

属性embedding可以灵活处理新用户，用于inductive learning（测试集中会出现训练集中没有的新用户），但没有id embedding效果好。

Towards Open-World Recommendation: An Inductive Model-based Collaborative Filtering Approach利用一部分用户的id embedding计算另一部分用户的embedding，利用图结构学习用户之间的隐含关系，对新增用户友好，是一种inductive learning。可以推广到特征空间扩张中和利用一部分表征计算一些新增表征中，如在图结构中新增节点。