随着深度学习在推荐系统中的应用，embedding成为绕不开的话题。无论是召回还是排序阶段，均应用到embedding技术。目前已经有很多文章在讨论item的embedding如何生成，本文希望讨论user embedding生成的几种方法，欢迎大家补充和讨论。

Item2Vec+Pooling

在word2vec提出后，给向量化学习提供了很好的思路。微软于2016年提出item2vec[1]，本质是skip gram+negative sampling的方式学习item的向量表达。生成item vector之后，可以根据用户历史上与item的交互行为，求avg/max/ pooling获取用户的向量表达。这是最直接的user vector生成方式，但是在实际使用中往往效果一般。主要原因是泛化能力差，对user embedding的学习是无监督的。

除此之外，在如何生成item vector的问题上，item2Vec也给出明确的方法。word2vec对于顺序是有强依赖的。但是对于大部分推荐场景，用户的购买（点击）序列没有强顺序关系，因此我们在构造样本时需要根据场景做一些变化，如：1）需要将滑动窗口设置成最长的长度。保证同一个item的用户，均处在同一个context下。2）通过多次shuffle原始序列构建不同的序列。

Doc2Vec

doc2vec其实是word2vec的一种扩展方法，当我们通过user与item的交互历史构建出训练的序列时，可以将user作为global context加入到训练中，学出user和item的向量。该模型的优势在于，user和item在一个向量空间内。构建线上服务时，能够通过ANN库快速做user2item的匹配，直接通过user embedding召回item。

Factorization Machine

FM是推荐系统中常用的算法，因为推荐系统的特征空间通常是稀疏的，FM擅长处理稀疏特征，通过丰富的特征交叉提高模型的效果，可以认为FM也是一个浅层的神经网络。FM类模型求解出的隐向量可以作为该ID对应的特征向量，但是每一个feature group的ID拥有单独的特征空间。所以该特征向量可以用于feature group内部各ID的相似性比较，如衡量用户相似度（user-cf）物品相似度（item-cf），但是无法直接通过user embedding找到item embedding的近邻。接下来介绍几种DNN的方式构建user embedding。

Youtube DNN

Youtube DNN作为深度学习+推荐系统在业界的范文，在王喆的机器学习笔记中，https://zhuanlan.zhihu.com/p/52169807有很多实际工程问题的讨论。在召回DNN中，引入丰富的用户侧特征（包括用户的观看和搜索历史），从而学习到的模型更加全面，泛化能力强。模型的最后一层全连接的输出作为user embedding表达，item embedding则使用softmax+negative sampling有监督训练该DNN时，生成的softmax权重向量来表示。因此user embedding和item-embedding也处于同一个特征空间，线上serving时，可以采用ANN的方式查找最近邻。

DSSM

DSSM及微软后续推出的multi-view DSSM也代表了一种思路。这种多塔的结构，可以为user，item构造不同的塔，通过n层全连接之后，将最后一层输出层的向量拼接在一起做softmax，或者直接通过cosine衡量两者的相似性。训练完成后，模型全连接层的输出向量可以作为user，item的embedding表达，而且向量处在同一个向量空间，可以在线进行ANN查找，有效提高线上serving的性能。

Graph embedding

user和item之间的关系可以构建成一张图，对于用户点击行为建了一个图G(u，e)，除此之外，其他行为（如：item之间属性相关等均可以生成一条边）。图生成之后，就可以使用DeepWalk，Node2Vec，LINE，GCN等算法进行训练。以DeepWalk为例，在建好的图中随机游走，生成节点序列，根据不同的使用场景，可以采用不同的随机游走方式，已实现适合当前场景的策略。生成随机游走序列后使用skipgram进行训练产出向量。Graph Embedding是一个很大的话题，KDD2017 tutorial有关于Graph Embedding的专场分享，大家可以下载相关的slides学习。阿里也根据自己的使用场景在提出了一些改进方法，整体的思路是在图中加入更加丰富的特征，构建DNN网络来训练，详细内容会放在后续的文章中仔细讨论。

[1] Barkan O, Koenigstein N. Item2vec: neural item embedding for collaborative filtering[C]//2016 IEEE 26th International Workshop on Machine Learning for Signal Processing (MLSP). IEEE, 2016: 1-6.

[2] Covington P, Adams J, Sargin E. Deep neural networks for youtube recommendations[C]//Proceedings of the 10th ACM conference on recommender systems. ACM, 2016: 191-198.

[3] Perozzi B, Al-Rfou R, Skiena S. Deepwalk: Online learning of social representations[C]//Proceedings of the 20th ACM SIGKDD international conference on Knowledge discovery and data mining. ACM, 2014: 701-710.

[4] Kipf T N, Welling M. Semi-supervised classification with graph convolutional networks[J]. arXiv preprint arXiv:1609.02907, 2016.

欢迎大家关注我的公众号，一起讨论实用的推荐系统技术。

该文章也在如下问题中回复。

推荐系统中如何做 User Embedding？​www.zhihu.com