推荐系统实践 0x12 什么是Embedding
做过深度学习的小伙伴，大家应该多多少少都听说过Embedding，这么火的Embedding到底是什么呢？这篇文章就用来介绍Embedding。另外，基于深度学习的推荐系统方法或者论文还没有结束，我打算穿插进行讲解，毕竟，深度学习出来的推荐框架的算法实在是太相像了，很难有大的不同。所以，这一篇就聊聊Embedding。
初识Embedding
Embedding又被成为向量化，或者向量的映射。Embedding（嵌入）也是拓扑学里面的词，在深度学习领域经常和Manifold（流形）搭配使用。在之前的Embedding的操作，往往都是将稀疏的向量转换成稠密的向量，以便于交给后面的神经网络处理。其实，Embedding还有更多应用场景，以及更多的实现方法，后面会慢慢谈到这些方法。Embedding可以看做是用低维稠密向量表示一个对象，可以是单词，可以是用户，可以是电影，可以是音乐，可以是商品等等。只要这个向量能够包含，或者表达所表示对象的特征，同时能够通过向量之间的距离反应对象之间的关系或者相似性，那么Embedding的作用就体现出来了。
Example
如下图所示，就是Embedding在自然语言处理当中，对单词Embedding的一种刻画：
上图中从king到queen，与从man到woman的距离向来那个几乎相同，说明Embedding之间的向量运算能够包含词之间的语义关系信息，同理，图中的词性例子当中，从进行时态到过去时态也是相同的距离。Embedding可以在大量预料的输入前提下，发掘出一些通用的常识，比如首都-国家之间的关系。
通过这个例子，我们可以了解到，在词向量空间当中，即使是完全不知道一个词向量的含义下，仅依靠语义关系加词向量运算就可以推断出这个词的词向量。Embedding就这样从一个空间表达对象，同时还可以表示对象之间的关系。
应用
除了在自然语言处理中对单词进行Embedding之外，我们可以对物品进行Embedding。比如在影视作品推荐当中，“神探夏洛克”与“华生”在Embedding向量空间当中会比较近，“神探夏洛克”与“海绵宝宝”在向量空间中会比较远。另外，如果在电商推荐领域，“桌子”和“桌布”在向量空间中会比较紧，“桌子”和“滑雪板”在向量空间中会比较远。
不同领域在使用这些语义资料进行训练的时候也会有不同，比如电影推荐会将用户观看的电影进行Embedding，而电商会对用户购买历史进行Embedding。
深度学习推荐系统中的Embedding
一般来说，推荐系统当中会大量使用Embedding操作：
- 使用one-hot对类别，id等类型进行编码会导致特征向量极其稀疏，使用Embedding可以将高维稀疏的特征向量转化为低维稠密的特征向量。
- Embedding具有很强的表达能力，在Graph Embedding提出之后，Embedding可以引入任何信息进行编码，包含大量有价值的信息。
- Embedding可以表达对象之间的关系，可以对物品、用户的相似度进行计算，在推荐系统的召回层经常使用，尤其是在局部敏感哈希（Locality-Sensitive Hashing）等快速最近邻搜索提出之后，Embedding被用来对物品进行快速筛选，到几百或几千的量级之后再进行神经网络的精排。
常见方法
- Word2Vec
- Item2Vec
- Node2Vec
等等方法，以及文中提到的局部敏感哈希，也会在后续的系列文章逐步更新介绍。
参考
深度学习推荐系统 王喆编著
怎么形象理解embedding这个概念？ – 刘斯坦的回答 – 知乎
