该方法借鉴word2vec中对单词进行embedding的思路，将单词替换成不同的物品，从而达到对物品进行embedding的效果。用户的行为序列可转换成物品组成的句子，将这些物品构成的句子输入word2vec模型进行训练，最后得到物品的embedding表示。在embedding向量空间中，相似度越高的两个物品的向量之间的距离也越近。之后，我们便可以根据某个用户发生行为的物品A，给其推荐与A相似的其它物品了。
假设我们有一个pandas数据 df，维度为200000 X 2，记录了大概3000多个用户的行为记录，数据均为str类型。df的第一列是某个物品“itemID”，df的第二列记录的是操作该物品的用户的ID “userID”。对于图书推荐来说，第一列记录的是不同的书籍；对于音乐推荐，第一列记录的是歌曲名；对于电子商务来说，第一列记录的是用户购买的物品。
下面我们通过一段代码来准备模型训练需要的数据。
具体而言，就是对于每一个用户，找出他对应的物品句子
import pandas as pd
users = df["userID"].unique().tolist()
seq_items = [] # 用来储存不同的物品句子
for i in users:
seq = df [ df["userID"] == i]["itemID"].tolist()
seq_items.append(seq)
接下来，将得到的seq_items输入模型进行训练
from gensim.models import Word2Vec
model = Word2Vec(window = 10,
sg = 1,
hs = 0,
negative = 10,
alpha=0.03,
min_alpha=0.0007,
seed = 14)
model.build_vocab(seq_items, progress_per=200)
model.train(seq_items, total_examples = model.corpus_count, epochs=10, report_delay=1)
下面，我们写一个函数来为某个物品推荐类似的n个物品，传入的item变量是某个物品的ID
def similar_items(item, n = 6):
sim_items = model.similar_by_vector(item , topn= n)
sim_items = sim_items[1:] # 因为sim_items[0]是item本身，我们可以忽略掉
return sim_items
对音乐推荐来说，假设存在某个音乐“for-love”，则我们通过下面两行代码即可找出与之相似的其它 7 首音乐：
other_music = similar_items("for-love", 8)
print( other_music )
至此，我们就完成了基于word2vec方法的物品相似度计算了，思路有点类似于itemCF方法，就是计算过程不同。可以拿这个方法与itemCF方法进行效果对比。
