在Word2vec诞生之后，Embedding 的思想迅速从自然语言处理领域扩散到几乎所有机器学习领域，推荐系统也不例外。既然 Word2vec可以对词“序列”中的词进行Embedding，那么对于用户购买“序列”中的一个商品，用户观看“序列”中的一个电影也应该存在相应的 Embedding方法。

于是，微软于2015年提出了ltem2Vec方法，它是对Word2vec方法的推广，使Embedding方法适用于几乎所有的序列数据。ltem2Vec模型的技术细节几乎和Word2vec完全一致，只要能够用序列数据的形式把我们要表达的对象表示出来，再把序列数据“喂'给Word2vec模型，我们就能够得到任意物品的Embedding 了。ltem2vec的提出对于推荐系统来说当然是至关重要的，因为它使得“万物皆Embedding"成为了可能。对于推荐系统来说，ltem2vec可以利用物品的Embedding直接求得它们的相似性，或者作为重要的特征输入推荐模型进行训练，这些都有助于提升推荐系统的效果。

什么是Item2Vec？

为了推荐场景中物品相似度计算的问题，将推荐场景的物品序列数据当做自然语言处理中的token，从而进行Word2Vec的建模。比如在微软的APP商店，每个用户在一段时间内下载或者点击的用户行为，将其按照时间排序得到每个用户的行为序列，相当于每个用户产生了多个句子。使用滑动窗口去遍历整个句子，在窗口内的词为正样本，窗口外的词为负样本，负样本按照word2vec策略进行负采样。将得到的数据集送进word2vec进行学习，就得到了每个item的向量表示。

我们可以知道，在模型方面Item2Vec几乎是照搬Skip-Gram。

Item2Vec原理

对于出现在同一个集合的item对我们视为正样本，对于集合 ω 1 , ω 2 , ⋯   , ω K，目标函数为

利用负采样，将 p ( w j ∣ w i )

简单而言，对于给定的item序列，选择窗口大小为c，skip-gram通过当前item来预测前后c个item的概率，从而使得其后验概率最大，通过极大似然进行优化整体损失。

负采样的词频计算方式跟word2vec一样。

Item2Vec的影响

主要有两点：

1. Item2Vec将Word2Vec应用于推荐系统，实现了物品隐向量的高效学习。可以再次基础上进行各种推荐场景的应用，比如以物推物，猜你喜欢等。
2. Item2Vec是针对序列数据进行建模，现实互联网中的数据很多程网状结构，比如维基百科、社交网络以及由用户行为数据生成的物品全局图等等。网状结构中包含的大量有用的结构信息就丢失掉了。

本文由小码农和农夫原创，欢迎关注，带你一起长知识！