推荐系统中引入 embedding ， 分为两大流派：

有监督学习，end-to-end。embedding作为优化变量，随机初始化，在优化最终logloss的过程中，得到有意义的embedding作为“副产品”。个人感觉，这一流派是主流，Youtube对video_id、Wide&Deep对app_id、Deep Interest Network对商品id的embedding都是这一思路。

无监督学习，两步走。以Item2vec: Neural Item Embedding for Collaborative Filtering为代表。第一步，就是简单套用word2vec的思路，在电商场景，就将word2vec中的句子换成购物车，将单词换成商品；新闻推荐场景中，将句子换成session，将单词换成文章。再直接调word2vec算法，就得到商品、文章的embedding向量。第二步，这些embedding向量，可以用于召回，可以用于第一类方法的embedding矩阵的初值，也可以当特征喂入其他模型。感觉这类方法近年来遇冷，不怎么受关注 ， Airbnb的这篇文章算是对第二类方法的一次复兴