推荐系统|Embedding方法

1. embedding含义

embedding，是指用一个低维的向量表示一个对象，对象可以是词、商品、电影等等，而embedding向量具有隐含性质：向量距离相近的对象，实际含义也相近，如embedding (触不可及)与embedding(绿皮书)距离会很接近。

2. embedding于离散特征的意义

对于类别型特征，在机器学习中通常用one-hot encoding进行编码，编码的维度等于物品类别的总数，这种编码方式对于高维的类别特征比如ip地址，维度会是超大量级的，编码向量也是极端稀疏的；即使是使用muliti hot encoding对用户浏览历史这样的多值特征进行编码（根据多个取值，向量中可以有多个1），编码向量也会是非常稀疏的；

出于深度学习以及工程应用方面的考量，对稀疏向量的处理并不友好和合适，因此将对象编码为一个低维稠密向量（embedding），再送入DNN，会是一个更加合适且高效的基本操作。

待续：
DeepWalk 的主要思想是在由物品组成的图结构上进行随机游走，产生大量物品序列，然后将这些物品序列作为训练样本输入 Word2vec 进行训练，得到物品的 Embedding。因此，DeepWalk 可以被看作连接序列 Embedding 和 Graph Embedding 的过渡方法。
参考：https://www.cnblogs.com/demo-deng/p/15840137.html