item2vec--word2vec在推荐领域的使用

一：绪论

在word2vec诞生以后，embedding的思想迅速从自然语言处理领域扩大到各个领域，推荐系统也不例外，既然word2vec可以对词序列中的词进行embedding，那么也可以对用户购买序列中的一个商品也应该存在相应的embedding方法，与 Word2Vec 对应，这种方法被称为 Item2Vec，代表论文是微软研究人员在 2016 年发表《Item2Vec: Neural Item Embedding for Collaborative Filtering》。论文把 Word2vec 的 Skip-gram with Negative Sampling (SGNS)的算法思路迁移到基于物品的协同过滤 (Item-Based CF) 上，以物品的共现性作为自然语言中的上下文关系，构建神经网络学习出物品在隐空间的向量表示。

二：item2vec训练样本的生成方式

在item2vec中，样本的生成方式有两种：
1，基于时序
认为item之间存在存在强时序关系，即前面的item对后面的item的产生有很大影响，那么我们就可以把一段时间内产生的item序列看成是一个句子，序列中的item看成是一个词，这样对item序列的训练过程就与word2vec训练过程无异了，可以直接参照word2vec的方法进行embedding训练。基于时序的示例比如视频网站的用户观看的视频序列，音乐网站用户听的歌曲序列。
2，基于集合
认为 item 之间存在非常弱的时序关系，或者因为某种原因，我们无法获得 item 的序列。那么这种情况只能放弃考虑 item 间的时空信息，转而使用 item 集合来取代序列。
通常我们把