推荐系统-召回层-召回算法：Item2vec、Node2vec

学习总结

1. 用Spark生成Item2vec和Graph Embedding。运用 Spark 实现经典的 Embedding 方法 Item2vec 和 Deep Walk（使用PySpark MLlib）。Item2vec是 Word2vec 在任意序列数据上的推广。Word2vec模型一般分为两种：Skip-gram 模型（中心词决定了它的相邻词），而CBOW相反（是相邻词决定当前的词）。
   Word2vec的样本生成方法：通过滑动窗口，截取词组，把词组内的词转换成训练样本。

2. 关于 Item2vec 的 Spark 实现，注意训练 Word2vec 模型的几个参数：

   • VectorSize：设置 Embedding 向量的维度
   • WindowSize：在序列数据上采样的滑动窗口大小
   • NumIterations： 训练时的迭代次数

3. 在 Deep Walk 的实现中，着重理解，生成物品间的转移概率矩阵的方法，以及通过随机游走生成训练样本过程。

---

---

---

参考资料：
【王喆-推荐系统】特征工程篇-(task5)Embedding实践