嵌入式系统程序开发过程（嵌入方法在推荐系统中的应用）

嵌入式系统程序开发过程（嵌入方法在推荐系统中的应用）参考文献12提出了一个CoFactor模型，将矩阵分解和Word2Vec(参考文献27中证明Word2Vec嵌入等价于一类PMI矩阵的分解，本文作者也是采用的PMI分解的思路，而不是直接用Word2Vec)整合到一个模型中来学习嵌入并最终给用户做推荐，也是一个非常不错的思路。 的上下文中)数量。 最终可以用随机梯度下降算法来训练公式2中的模型，估计出U 、V。读者可以阅读参考文献1、2、3、4对Word2Vec进行深入学习和了解。

这里

是logistic函数，M是采样的负样本(这里负样本是指抽样的词

不在词目标

的上下文中)数量。

最终可以用随机梯度下降算法来训练公式2中的模型，估计出U 、V。读者可以阅读参考文献1、2、3、4对Word2Vec进行深入学习和了解。

参考文献12提出了一个CoFactor模型，将矩阵分解和Word2Vec(参考文献27中证明Word2Vec嵌入等价于一类PMI矩阵的分解，本文作者也是采用的PMI分解的思路，而不是直接用Word2Vec)整合到一个模型中来学习嵌入并最终给用户做推荐，也是一个非常不错的思路。

参考文献28借助Word2Vec的思路，提出了Prod2Vec模型，该算法利用发给用户的电子邮件广告数据，根据用户的邮件点击购买回执了解用户的偏好行为，通过将用户的行为序列等价为词序列，采用Word2Vec类似的方法进行嵌入学习获得商品的嵌入向量，最终给用户进行个性化推荐。该算法部署到线上，有9%点击率的提升。参考文献16基于Prod2Vec模型，提出了一种整合商品metadata等附加信息的Meta-Prod2Vec算法模型，提升了准确率，并且可以有效解决冷启动问题，感兴趣的读者可以阅读学习这两篇文章。

有很多开源的软件有Word2Vec的实现，比如Spark、gensim、TensorFlow、Pytorch等。我们公司采用的是gensim，使用下来效果不错。

3. 基于有向图嵌入

给定一个图

，V、E分别代表图的顶点和边的集合。所谓图嵌入就是学习每个顶点在低维空间